TUGAS AKHIR – KS141501 RANCANG BANGUN EKSTRAKSI TOPIK FITUR PRODUK DARI ULASAN PENGGUNA ONLINE DENGAN LATENT DIRICHLET ALLOCATION NATANAEL YABES WIRAWAN NRP. 5213 100 137 Dosen Pembimbing 1: Rully Agus Hendrawan, S.Kom, M.Eng NIP. 198112292005011002 JURUSAN SISTEM INFORMASI Fakultas Teknologi Informasi Insitut Teknologi Sepuluh Nopember Surabaya 2017

TUGAS AKHIR – KS141501 RANCANG BANGUN EKSTRAKSI TOPIK FITUR PRODUK DARI ULASAN PENGGUNA ONLINE DENGAN LATENT DIRICHLET ALLOCATION NATANAEL YABES WIRAWAN NRP. 5213 100 137 Dosen Pembimbing 1: Rully Agus Hendrawan, S.Kom, M.Eng NIP. 198112292005011002 JURUSAN SISTEM INFORMASI Fakultas Teknologi Informasi Insitut Teknologi Sepuluh Nopember Surabaya 2017

FINAL PROJECT – KS141501

EXTRACTION OF TOPICAL PRODUCT FEATURE FROM ONLINE REVIEWS USING LATENT DIRICHLET ALLOCATION NATANAEL YABES WIRAWAN NRP. 5213 100 137 Supervisor 1: Rully Agus Hendrawan, S.Kom, M.Eng NIP. 198112292005011002 INFORMATION SYSTEMS DEPARTMENT Faculty of Information Technology Insitut Teknologi Sepuluh Nopember Surabaya 2017

RANCANG BANGUN EKSTRAKSI TOPIK FITUR PRODUK DARI ULASAN PENGGUNA ONLINE DENGAN LATENT DIRICHLET ALLOCATION Nama Mahasiswa NRP Jurusan Dosen Pembimbing

: Natanael Yabes Wirawan : 5213 100 137 : Sistem Informasi : Rully Agus Hendrawan, S.Kom, M.Eng

ABSTRAK Berkembangnya teknologi Web 2.0 dalam dunia e-commerce menyebabkan timbulnya fenomena sosial commerce. Social commerce merupakan suatu kondisi dimana munculnya interaksi antara pengguna dengan situs, baik situs perusahaan atau organisasi maupun pribadi, ditandai dengan adanya sistem ulasan pada situs web. Ulasan produk merupakan salah satu fitur yang kerap dijumpai dalam situs-situs pasar online. Seringkali pula dalam membeli produk atau jasa di situs-situs marketplace, konsumen mempertimbangkan ulasan yang ditulis oleh pengguna lain yang membeli produk atau jasa pada situs-situs e-commerce. Dengan melihat ulasan produk, konsumen dapat melihat tanggapan pelanggan yang telah membeli produk tersebut kemudian menjustifikasi apakah fitur yang dijanjikan sudah sesuai dengan realitanya. Namun, untuk mengetahui fitur apa saja yang dibicarakan konsumen, pembeli harus melihat tiap ulasan yang ada pada produk yang ingin dibeli. Belum lagi membandingkan fitur pada produk serupa dengan merk yang berbeda. Untuk produk pada kategori populer saja, ulasan dapat mencapai ratusan bahkan ribuan ulasan. Tugas akhir ini dibuat dengan tujuan untuk menutupi kapasitas manusia untuk mencerna ulasan produk dalam jumlah besar. Luaran dari tugas akhir ini adalah berupa rancang bangun prototipe situs e-commerce yang dilengkapi i

ii dengan kemampuan ekstraksi fitur produk dan orientasi opini. Data diperoleh dari salah satu produk dengan jumlah ulasan minimal 500 ulasan pada situs e-commerce terkemuka Amaazon.com. Luaran dari tugas akhir ini berupa rancang bangun prototipe sistem ekstraksi fitur dan orientasi opini yang mampu mendukung keputusan pembelian pelanggan. Hasil analisis terhadap produk Amazon Echo adalah bahwa produk tersebut memiliki speaker yang bagus, voice recognition dari amazon echo dapat memahami permintaan pengguna dengan tepat, produk amazon echo sangat personal dan layak untuk dibeli, aplikasi yang merupakan produk samping amazon echo mudah untuk digunakan bersamaan dengan amazon echo, product amazon echo sangat menyenangkan untuk digunakan, aplikasi amazon echo merupakan produk yang canggih dan keren dimata pengguna, produk amazon echo layak untuk dibeli dan sepadan dengan biaya yang dikeluarkan pengguna, dan produk amazon echo merupakan produk yang hebat dan menyenangkan untuk dipakai. Kata kunci: social commerce, ekstraksi fitur, analisa sentiment, appraisal expression pattern, latent dirichlet allocation.

EXTRACTION OF TOPICAL PRODUCT FEATURE FROM ONLINE REVIEWS USING LATENT DIRICHLET ALLOCATION Name Student Id. Department Supervisor

: Natanael Yabes Wirawan : 5213 100 137 : Information Systems : Rully Agus Hendrawan, S.Kom, M.Eng

ABSTRACT The development of Web 2.0 technologies in the world of ecommerce led to the emergence of the phenomenon of social commerce. Social commerce is a condition in which the interaction between users and the site, both sites as well as private companies or organizations, characterized by a system of reviews on the website. Product reviews is one of the features that are often found in the websites of the online market. Often in e-commerce sites, consumers consider reviews written by other users who purchase products or services on the websites of e-commerce. By looking at product reviews, consumers can see the response customers who have purchased the product and then justify whether the promised features are in accordance with reality. However, to find out what features are talking about consumers, buyers should look every existing reviews on products to buy. Not to mention comparing the features of similar products with different brands. For products in popular categories alone, reviews can reach hundreds or even thousands of reviews. This final project was created with the purpose to cover the human capacity to digest large amounts of product reviews. The outcome of this thesis is to design a prototype in the form of e-commerce sites equipped with extraction capability product features and opinion orientation. Data obtained from leading e-commerce sites iii

iv Amaazon.com. The outcomes of this thesis is a prototype of a e-commerce systems which incorporates feature extraction and opinion mining. The e-commerce platform can support customers when making a purchase decisions. The result of LDA analysis throughout the Amazon Echo product is that these products have good speakers, that the voice recognition from amazon echo can interpret user requests very well, that amazon echo product is very personal and deserves to be bought, the side applications is easy to use in conjunction with amazon echo, amazon echo product is very pleasant to use, the amazon echo application is sophisticated and cool by the perspective of users, that amazon echo is eligible to be purchased within the budget of all users, and amazon echo is a great product and pleasant to be used. Keywords: social commerce, ekstraksi fitur, analisa sentiment, appraisal expression pattern, latent dirichlet allocation.

KATA PENGANTAR Puji dan syukur penulis limpahkan kepada Tuhan Yang Maha Esa. Atas rahmat dan karunia-Nya, penulis dapat menyelesaikan Buku Tugas Akhir dengan judul “Rancang Bangun Ekstraksi Topik Fitur Produk Dari Ulasan Pengguna Online Dengan Latent Dirichlet Allocation”. Dalam kesempatan ini, penulis menyampaikan terima kasih kepada: 1. Keluarga penulis, khususnya Bapak, Ibu, dan adik – adik tercinta yang senantiasa mendoakan kelancaran serta kesuksesan dalam pengerjaan Tugas Akhir. 2. Bapak Ir. Aris Tjahyanto, M.Kom. selaku Ketua Jurusan Sistem Informasi ITS Surabaya 3. Rully Agus Hendrawan S.Kom, M.Eng, selaku dosen wali sekaligus dosen pembimbing yang telah iklas meluangkan waktu beliau untuk membantu penulis dalam menyukseskan tugas akhir ini. 4. Alitya Novianda Adityaputri yang senantiasa mengingatkan dan mendukung penulis menyelesaikan Tugas Akhir, bahkan disaat penulis merasa mustahil. 5. Rekan-rekan Lab Sistem Enterprise yang selalu ada untuk mendampingi dan mendukung penulis. 6. 5 Responden yang dengan sukarela membantu memberikan umpan balik dan masukkan sehingga penulis dapat menerima evaluasi aplikasi. 7. Seluruh teman – teman, Keluarga Beltranis yang selalu memberikan dukungan kepada penulis dan memberikan banyak cerita selama penulis melakukan studi. 8. Mas dan Mbak serta adik-adik jurusan Sistem Informasi yang telah memberikan semangat serta bantuan kepada penulis. 9. Seluruh civitas akademika Jurusan Sistem Informasi ITS atas dukungan yang diberikan selama pengerjaan Tugas Akhir vii

viii 10.Dan seluruh pihak yang telah membantu penulis baik secara langsung maupun tidak langsung sehingga Tugas Akhir ini terselesaikan dengan baik. Penulis menyadari bahwa laporan ini masih jauh dari sempurna. Kritik dan saran sangat berarti bagi penulis untuk evaluasi penyusunan laporan di masa mendatang.

Surabaya, 06 Januari 2017,

Penulis.

DAFTAR ISI LEMBAR PENGESAHAN ...Error! Bookmark not defined. LEMBAR PERSETUJUAN ..Error! Bookmark not defined. KATA PENGANTAR ........................................................ vii DAFTAR GAMBAR .......................................................... xii DAFTAR PERSAMAAN .................................................. xiv DAFTAR TABEL ................................................................xv BAB I .................................................................................... 1 PENDAHULUAN ................................................................ 1 1.1. Latar Belakang ....................................................... 1 1.2. Perumusan Masalah ................................................ 6 1.3. Batasan Masalah ..................................................... 6 1.4. Tujuan Tugas Akhir ................................................ 7 1.5. Manfaat Tugas Akhir .............................................. 7 1.6. Relevansi Tugas Akhir ........................................... 8 BAB II..................................................................................11 TINJAUAN PUSTAKA .......................................................11 2.1. Penelitian Sebelumnya ......................................... 11 2.2. Dasar Teori ........................................................... 16 2.2.1. E-Commerce ................................................. 17 2.2.2. Social Commerce .......................................... 23 2.2.3. Web Scraping ............................................... 25 2.2.4. Standford Natural Language Processing (NLP) 36 2.2.5. Part of Speech (POS) Tagging...................... 39 2.2.6. Latent Dirichlet Allocation ........................... 44 2.2.7. Appraisal Expression Pattern ....................... 46 2.2.9. Gibbs Sampling ............................................ 53 2.2.10. ICONIX ........................................................ 55 BAB III ................................................................................59 METODOLOGI ...................................................................59 3.1. Tahapan Studi Literatur ........................................ 62 3.1.1. Mengkaji Metode Pengambilan Data ............ 62 3.1.2. Mengkaji Metode Pemrosesan Data ............. 62 3.1.3. Mengkaji Metode Ekstraksi Fitur dan Opini . 62 3.2. Tahapan Pengambilan Data .................................. 63 ix

x 3.3. Tahapan Preproses Data ....................................... 63 3.4. Tahapan Ekstraksi Fitur dan Opini ....................... 64 3.5. Tahapan Rancang Bangun Prototipe ..................... 64 BAB IV ............................................................................... 67 ANALISIS DAN PERANCANGAN .................................. 67 4.1. Pengambilan Data ................................................. 67 4.1.1. Identifikasi Karakteristik Situs...................... 67 4.1.2. Menentukan Metadata Ulasan ....................... 69 4.1.3. Perancangan Basis Data Ulasan .................... 72 4.2. Preproses Data ...................................................... 73 4.3. Ekstraksi Fitur dan Opini Produk ......................... 73 4.4. Rancang Bangun Prototipe ................................... 76 4.4.1. Antar Muka Pengguna .................................. 76 4.4.2. Use Case ....................................................... 79 4.4.3. Domain Model .............................................. 82 4.4.4. Robustness Diagram ..................................... 82 4.4.5. Sequence Diagram ........................................ 88 4.4.6. Class Diagram............................................... 93 BAB V ................................................................................ 94 IMPLEMENTASI ............................................................... 95 5.1. Lingkungan Implementasi .................................... 95 5.2. Struktur Direktori ................................................. 95 5.3. Pengambilan Data ................................................. 96 5.3.1. Mendapatkan jumlah paginasi pada halaman ulasan 98 5.3.2. Melakukan Scraping dan Menyimpan hasil Scraping ke dalam basis data ulasan ............................. 99 5.4. Preproses Data .................................................... 102 5.4.1. Menjalankan Standford NLP sebagai service 103 5.4.2. Melakukan POS Tagging pada data ulasan. 103 5.5. Ekstraksi Fitur dan Opini .................................... 104 5.5.1. Melakukan Analisa LDA dan Mengurutkan Probabilitas Kata Kunci per Topik Berdasarkan Kata yang Paling Sering Muncul ........................................ 107 5.5.2. Melakukan Analisa LDA dengan Gibbs Sampling 109

xi 5.5.3. Melakukan Analisa Gibbs Sampling dengan Sample Full Conditional. ........................................... 111 5.6. Rancang Bangun Prototipe ................................. 120 5.6.1. Implementasi Halaman Pencarian Produk .. 121 5.6.2. Implementasi Halaman Daftar Produk ........ 122 5.6.3. Implementasi Halaman Detail Produk ........ 123 BAB VI ..............................................................................126 HASIL DAN PEMBAHASAN ..........................................127 6.1. Hasil Analisis LDA ............................................ 127 6.1.1. Hasil Kata Kunci Topik 1 ........................... 130 6.1.2. Hasil Kata Kunci Topik 2 ........................... 133 6.1.3. Hasil Kata Kunci Topik 3 ........................... 134 6.1.4. Hasil Kata Kunci Topik 4 ........................... 135 6.1.5. Hasil Kata Kunci Topik 5 ........................... 136 6.1.6. Hasil Kata Kunci Topik 6 ........................... 137 6.1.7. Hasil Kata Kunci Topik 7 ........................... 138 6.1.8. Hasil Kata Kunci Topik 8 ........................... 139 6.1.9. Hasil Kata Kunci Topik 9 ........................... 140 6.1.10. Hasil Kata Kunci Topik 10 ......................... 141 6.1.11. Hasil Kata Kunci Topik 11 ......................... 142 6.1.12. Hasil Kata Kunci Topik 12 ......................... 143 6.1.13. Hasil Kata Kunci Topik 13 ......................... 144 6.1.14. Hasil Kata Kunci Topik 14 ......................... 145 6.1.15. Hasil Kata Kunci Topik 15 ......................... 146 6.1.16. Hasil Kata Kunci Topik 16 ......................... 147 6.1.17. Hasil Kata Kunci Topik 17 ......................... 148 6.1.18. Hasil Kata Kunci Topik 18 ......................... 149 6.1.19. Hasil Kata Kunci Topik 19 ......................... 150 6.1.20. Hasil Kata Kunci Topik 20 ......................... 151 6.2. Hasil Uji Usabilitas ............................................ 153 BAB VII .............................................................................155 KESIMPULAN DAN SARAN ..........................................155 7.1. Kesimpulan ............................................................. 155 7.2. Saran ....................................................................... 156 DAFTAR PUSTAKA ........................................................157 BIODATA PENULIS ........................................................163 LAMPIRAN 1 USABILITY TEST PLAN DASHBOARD164

xii LAMPIRAN 3 CONSENT FORM.................................... 168 LAMPIRAN 4 SYSTEM USABILITY SCALE FORM ... 170

DAFTAR GAMBAR Bagan 1 Notasi Blok Latent Dirichlet Allocation ................. 13 Bagan 2 Notasi Pelat AEP-LDA .......................................... 15 Bagan 3 Arsitektur Web 2.0. ................................................ 24 Bagan 4 Request data via XMLHttpRequest pada salah satu website e-commerce di Indonesia ......................................... 30 Bagan 5 Teknik Scraping dengan Pemrogramman HTTP [22] ............................................................................................. 31 Bagan 6 Contoh HTML Parsing dengan Jaunt [23] .............. 32 Bagan 7 Sebuah dokumen HTML ........................................ 33 Bagan 8 Representasi Grafik DOM untuk dokumen HTML 33 Bagan 9 Implementasi DOM parsing [25] ............................ 34 Bagan 10 Contoh implementasi Semantic Annotation pada dokumen HTML dengan format Microdata .......................... 35 Bagan 11 Contoh Implementasi Part of Speech pada ulasan pelanggan terhadap barang di marketplace online [30] ........ 44 Bagan 12 Notasi Pelat LDA [14] .......................................... 46 Bagan 13 Grafik Dependensi antar kata [30] ........................ 47 Bagan 14 Notasi pelat AEP-LDA (atas) dibandingkan dengan LDA (bawah) [14] ................................................................ 51 Bagan 15 Proses dalam ICONIX [33] .................................. 56 Bagan 16 Metodologi Tugas Akhir ...................................... 61 Bagan 17 Metodologi Pengambilan Data Ulasan ................. 67 Bagan 18 Tampilan halaman ulasan produk pada situs Amazon ................................................................................ 71 Bagan 19 Arsitektur Sistem Ekstraksi Fitur dan Orientasi Opini .................................................................................... 74 Bagan 20 Diagram Alir Algoritm LDA ................................ 75 Bagan 21 Antar Muka Halaman Pencarian ........................... 76 Bagan 22 Halaman Daftar Produk ........................................ 77 Bagan 23 Halaman Detail Produk ........................................ 78

xiii Bagan 24 Use Case Diagram untuk Sistem Ekstraksi Fitur dan Orientasi Opini ..................................................................... 79 Bagan 25 Domain model untuk aplikasi AmazoLDA .......... 82 Bagan 26 Robustness Analysis untuk UCC-1 Mencari Produk ............................................................................................. 83 Bagan 27 Robustness Analysis untuk UCC-2 Melihat Detail Produk .................................................................................. 84 Bagan 28 Robustness Analysis untuk UCC-3 Melihat Fitur dan Opini.............................................................................. 85 Bagan 29 Robustness Analysis untuk UCC-4 Melihat Ulasan ............................................................................................. 86 Bagan 30 Robustness Analysis untuk UCS-1 Melakukan POS Tagging ................................................................................ 87 Bagan 31 Sequence Diagram untuk Robustness RBUCC-1 Mencari Produk .................................................................... 88 Bagan 32 Sequence Diagram untuk Robustness RBUCC-2 Melihat Detail Produk .......................................................... 89 Bagan 33 Sequence Diagram untuk Robustness RBUCC-3 Mencari Fitur dan Opini ....................................................... 90 Bagan 34 Sequence Diagram untuk Robustness RBUCC-4 Melihat Ulasan ..................................................................... 91 Bagan 35 Sequence Diagram untuk Robustness RBUCS-1 Melakukan POS Tagging ..................................................... 92 Bagan 36 Class Diagram aplikasi AmazoLDA .................... 93 Bagan 37 Struktur Direktori Aplikasi ................................... 96 Bagan 38 Diagram Alir Proses Web Scrapinge .................... 97 Bagan 39 Konfigurasi MySQL ............................................. 98 Bagan 40 Kode untuk mendapatkan jumlah paginasi pada halaman ulasan ..................................................................... 99 Bagan 41 Hasil web scraping ditampung dalam basis data ulasan ................................................................................. 100 Bagan 42 Kode untuk melakukan scraping dan menyimpan ke dalam basis data ulasan ...................................................... 102 Bagan 43 Kode untuk menjalankan server Standford NLP via konsole ............................................................................... 103

xiv Bagan 44 Menjalankan Server Standford NLP via Konsole103 Bagan 45 Kode untuk menjalankan POS Tagging pada Standford NLP ................................................................... 104 Bagan 46 Hasil POS Tagging ............................................. 104 Bagan 47 Kode Utama untuk melakukan analisa LDA dengan korpus berupa ulasan produk di Amazon.com .................... 106 Bagan 48 Kode Analisa LDA dengan Gibbs Sampling ...... 109 Bagan 49 Kode Analisa Gibbs Sampling dengan Sample Full Conditional ......................................................................... 116 Bagan 50 Luaran dari analisis LDA ................................... 120 Bagan 51 Halaman Pencarian Produk ................................ 127 Bagan 52 Implementasi kode pada halaman pencarian ...... 121 Bagan 53 Halaman Daftar Produk ...................................... 128 Bagan 54 Implementasi kode pada halaman daftar produk 123 Bagan 55 Halaman Detail Produk ...................................... 129 Bagan 56 Implementasi kode pada halaman detail produk . 125 Bagan 57 Grafik hasil analisis LDA ................................... 129 Bagan 58 Hasil Rekapitulasi SUS ...................................... 154

DAFTAR PERSAMAAN Persamaan 1 Notasi Matematika dari LDA .......................... 45 Persamaan 2 Formula untuk menghitung Jumlah Shortest Dependency Path pada suatu dokumen ................................ 48 Persamaan 3 Formula untuk menghitung Confidence Score 49 Persamaan 4 Persamaan Multinomial untuk distribusi kata dalam kalimat s dalam dokumen d ....................................... 52 Persamaan 5 Probabilitas kata aspek .................................... 53 Persamaan 6 Probabilitas kata opini ..................................... 53 Persamaan 7 Probabilitas background words ....................... 53

xv

DAFTAR TABEL Tabel 1 Relevansi Tugas Akhir Terhadap Kompetensi Jurusan Sistem Informasi ITS ................................................ 8 Tabel 2 Hasil Kajian Studi Literatur..................................... 11 Tabel 3 Kriteria Kesuksesan E-Commerce [5] ..................... 18 Tabel 4 Modifier pada Regex ............................................... 27 Tabel 5 Brackets pada Regex ............................................... 27 Tabel 6 Metacharacters pada Regex ..................................... 28 Tabel 7 Anotator yang disediakan oleh Standford NLP [30] 37 Tabel 8 Macam-macam Part of Speech dalam Bahasa Inggris [32]....................................................................................... 40 Tabel 9 Deskripsi Produk ..................................................... 68 Tabel 10 Metadata ulasan ..................................................... 69 Tabel 11 Pemetaan Metadata Ulasan dengan Tag HTML DOM .................................................................................... 70 Tabel 12 Deskripsi Tabel Ulasan ......................................... 72 Tabel 13Daftar Use Case Sistem Ekstraksi Fitur dan Orientasi Opini .................................................................................... 80 Tabel 14 Pemetaan Robustness Analysis dengan Use Case . 82 Tabel 14 Pemetaan Robustness Analysis dengan Sequence Diagram ............................................................................... 88 Tabel 16 Spesifikasi Perangkat Keras .................................. 95 Tabel 17 Spesifikasi Perangkat Lunak ................................. 95 Tabel 18 Parameter Fungsi LDA ........................................ 106 Tabel 19 Parameter LDA yang digunakan untuk analisis ... 130 Tabel 20 Hasil Kata Kunci untuk Topik 1 .......................... 132 Tabel 21 Hasil Kata Kunci untuk Topik 2 .......................... 133 Tabel 22 Hasil Kata Kunci untuk Topik 3 .......................... 134 Tabel 23 Hasil Kata Kunci untuk Topik 4 .......................... 135 Tabel 24 Hasil Kata Kunci untuk Topik 5 .......................... 136 Tabel 25 Hasil Kata Kunci untuk Topik 6 .......................... 137 Tabel 26 Hasil Kata Kunci untuk Topik 7 .......................... 138 Tabel 27 Hasil Kata Kunci untuk Topik 8 .......................... 139 Tabel 28 Hasil Kata Kunci untuk Topik 9 .......................... 140 Tabel 29 Hasil Kata Kunci untuk Topik 10 ........................ 141

xvi Tabel 30 Hasil Kata Kunci untuk Topik 11 ........................ 142 Tabel 31 Hasil Kata Kunci untuk Topik 12 ........................ 143 Tabel 32 Hasil Kata Kunci untuk Topik 13 ........................ 144 Tabel 33 Hasil Kata Kunci untuk Topik 14 ........................ 145 Tabel 34 Hasil Kata Kunci untuk Topik 15 ........................ 146 Tabel 35 Hasil Kata Kunci untuk Topik 16 ........................ 147 Tabel 36 Hasil Kata Kunci untuk Topik 17 ........................ 148 Tabel 37 Hasil Kata Kunci untuk Topik 18 ........................ 149 Tabel 38 Hasil Kata Kunci untuk Topik 19 ........................ 150 Tabel 39 Hasil Kata Kunci untuk Topik 20 ........................ 151 Tabel 40 Backlog Aplikasi ................................................. 153

xvii Halaman ini sengaja dikosongkan

BAB I PENDAHULUAN Bab ini akan menjelaskan proses identifikasi masalah antara lain latar belakang permasalahan, perumusan masalah, batasan masalah, tujuan dari pembuatan tugas akhir, manfaat yang didapat dari tugas akhir, serta relevansi tugas akhir terhadap permaslahan yang ingin diselesaikan.

1.1.

Latar Belakang

E-commerce merupakan istilah yang kerap digunakan untuk merujuk pada proses perdagangan atau proses untuk memfasilitas perdagangan dengan menggunakan layanan jaringan komputer. Proses perdagagan e-commerce dapat terjadi melalui media internet, media sosial, maupun melalui aplikasi perangkat bergerak [1]. Saat ini, e-commerce sedang mengalami perkembangan yang pesat. Berdasarkan riset yang dilansir oleh ATKearney, transaksi yang terjadi dalam e-commerce pada tahun 2014 mengalami pertumbuhan sebesar 20% secara global atau hampir menyentuh nilai transaksi sebesar USD 840 Miliar dan diperkirakan akan terus tumbuh pada tahun-tahun mendatang [2]. Hal ini dapat terjadi dikarenakan oleh adanya ekspansi yang dilakukan ritel online ke negara lain. dan ritel yang selama ini berada pada pasar commerce, oleh karena perkembangan teknologi, akhirnya memutuskan akan memasuki pasar ecommerce. Perkembangan pesat dalam dunia e-commerce tidak lepas dari faktor jumlah pengguna internet yang meningkat dari tahun ke tahun. Survei yang dilakukan oleh International Telecommunications Union menyatakan bahwa jumlah 1

2 pengguna internet global mencapai 3,5 miliar pengguna dimana 71% pengguna internet global tersebut berasal dari negara berkembang [3]. Peningkatan penggunaan internet juga diiringi dengan peningkatan jumlah pengguna perangkat bergerak. Bahkan pada tahun 2016, jumlah pengguna jaringan mobile broadband (3G) mencapai 84% dari total populasi dunia, diikuti pula dengan pertumbuhan pengguna jaringan Long Term Evolution (LTE/4G) yang mencapai 53% dari total populasi dunia. Akamai Technologies juga melansir bahwa angka konsumen yang melakukan transaksi dengan menggunakan perangkat bergerak melonjak sebanyak 250% selama 5 tahun terakhir [4]. Berkembangnya teknologi internet, situs web, dan perangkat bergerak telah merevolusi e-commerce. Pasar e-commerce telah mengalami perubahan yang signifikan melalui pengadopsian teknologi Web 2.0. Fenomena ini disebut sebagai social commerce, dimana terjadi utilisasi teknologi Web 2.0 di dalam platform e-commerce. Utilisasi teknologi Web 2.0 memungkinkan pengguna untuk saling berbagi informasi, seperti memberikan opini atau review atas suatu produk, rating, maupun rekomendasi kepada pengguna lain dalam suatu platform e-commerce [5]. Dengan berkembangnya fenomena social commerce, pembeli dapat memberikan ulasan terhadap suatu produk yang diperjual-belikan dalam situs e-commerce. Ulasan negatif yang berkualitas yang dilakukan pelanggan terhadap suatu produk mampu mempengaruhi perilaku pelanggan secara signifikan dalam membeli suatu produk di marketplace e-commerce [6]. Bahkan lebih jauh lagi, studi terkait evaluasi loyalitas pelanggan dengan menggunakan model DeLone dan McLean menyatakan bahwa kualitas informasi dari website ecommerce, berupa menawarkan fitur review pengguna dan evaluasi produk, berpengaruh positif terhadap perilaku belanja

3 hedonik [7]. Sehingga dapat diketahui bahwa ulasan produk berpengaruh terhadap keputusan pelanggan dalam membeli suatu produk dalam marketplace e-commerce. Agar dapat mengetahui kualitas dari suatu produk maupun kualitas pelayanan toko penyedia produk dalam marketplace ecommerce, maka pelanggan perlu mempertimbangkan ulasan konsumen lain yang menggunakan produk serupa secara teliti. Namun tentu saja hal tersebut tidak efisien karena keterbatasan manusia dalam mengolah informasi [8]. Untuk kategori produk populer saja, ulasan dari penulis atau konsumen lain dapat mencapai ratusan bahkan ribuan. Maka dari itu, konsumen memerlukan sebuah sistem yang mampu mengekstraksi fitur beserta sentimen yang melekat pada produk atau jasa yang ditawarkan dalam situs-situs e-commerce dengan harapan bahwa proses mencerna informasi ulasan dapat dipersingkat sehingga mampu mendukung dalam pengambilan keputusan. Beberapa penelitian sebelumnya terkait dengan analisa sentimen dan ekstraksi fitur yang telah mendahului tugas akhir ini telah dilakukan. Studi yang dilakukan oleh Minqing Hu dan Bing Liu mendemonstrasikan teknik data mining dengan menggunakan association rule mining untuk mengekstrak fitur yang melekat pada produk [9]. Fitur-fitur tersebut diekstrak dari ulasan produk yang ditulis oleh konsumen pada suatu situs e-commerce dengan menggunakan teknologi text mining dan natural language processing (NLP). Penelitian ini juga memaparkan aristektur sistem untuk mengaggregasi ulasan produk. Dengan rata-rata recall sebesar 80% dan rata-rata presisi sebesar 72%, hasil penelitian Minqing Hu dan Bing Liu dapat dikatakan akurat dan dapat dipraktikan dalam kasus nyata.

4 Penelitian terkiat dengan Latent Dirichlet Allocation sangat populer terutama dalam penelitian-penelitian yang melibatkan dataset teks yang berukuran besar [10]. Blei, Andrew Ng., dan Michael I. Jordan merupakan peneliti yang pertama kali mengembangkan metode Latent Dirichlet Allocation (LDA) pada tahun 2003 silam. LDA adalah model statistik generatif untuk kumpulan data diskrit seperti korpus teks [11]. Hasil eksperimen terhadap penilitian Blei et.al. terhadap 5.225 abstrak karya tulis ilmiah C. Elegans juga menunjukan bahwa metode LDA dapat mengungguli metode lainnya antara lain Unigram dan Probalisitc Latent Semantic Indexing (pLSI). Yue Lu, Qiaozhu Mei, dan Cheng Xiang Zhai melakukan studi empiris untuk membandingkan performa dari Probabilistic Latent Semantic Analysis (pLSA) dan LDA. Studi perbandingan dilakukan dengan melakukan tugas representatif dari kegiatan penggalian teks (text mining) antara lain klusterisasi dokumen, kategorisasi dokumen dan ad-hoc retreival. Hasil penelitian menunjukan bahwa metode LDA secara umum menggunguli PLSA pada ketiga tugas representatif teks mining [12]. Studi ini mendukung penelitian Blei, et.al. Yohan Jo dan Alice Oh mengusulkan metode Sentence LDA (SLDA) yang kemudian dikembangkan lagi menjadi Aspect and Sentiment Unification Model (ASUM) [13]. SLDA merupakan model probalistik yang dikembangkan dari LDA dengan batasan bahwa semua kata dalam sebuah kalimat berasal dari satu sumber topik yang sama. Sementara ASUM merupakan perluasan dari SLDA yang menggabungkan aspek beserta sentimen terhadap aspek tersebut. Data yang digunakan untuk penelitian Alice Oh bersumber dari ulasan produk di Amazon.com. Hasil menunjukan bahwa metode SLDA menggunguli metode LDA pada eksperimen penelusuran aspek. LDA memberikan hasil temuan aspek yang sifatnya

5 lebih umum dan tidak terlalu koheren dibandingkan dengan metode SLDA. Sementara pada eksperimen terhadap aspek yang berpasangan dengan sentimen, SLDA cenderung menemukan aspek berdasarkan kategori produk, sementara ASUM berhasil menemukan aspek dengan melihat sentimen yang mirip dari berbagai kategori produk. Pada eksperimen kata sentimen yang spesifik terhadap aspek, ASUM tidak mengungguli semua classifier yang ada, antara lain baseline, lingpipe-unigram, lingpipe-bi, ASUM, ASUM+, Joint Sentiment/Topic (JST+), dan Topic Sentiment Mixture (TSM+). Namun ASUM+ dapat menggunguli semua classifier. Kemudian untuk eksperimen kalisifkasi sentimen, metode ASUM dan ASUM+ mengungguli model lainny (JST+ dan TSM+) dengan tingkat akurasi klasifikasi yang cukup tinggi. Secara keseluruhan, ASUM menggabungkan aspek, sentimen, dan aspek-sentimen. Metode ASUM mampu mengidentikasi sentimen yang melekat pada aspek produk. Dari hasil eksperimen di atas, dapat disimpulkan bahwa ASUM mengungguli kesemua metode dalam semua eksperimen yang ada. Kemudian ada pula penelitian Xiaolin Zheng et.al., yang mengulas tentang pendekatan dalam mengekstrak fitur atau aspek, sekaligus kata sentimen yang melekat pada fitur atau aspek dari produk atau layanan terkait. Penelitian Xiaolin Zheng et.al. mengusulkan dua pendekatan antara lain pendekatan unsupervised dependency analysis-based dan Appraisal Expression Patterns (AEP) berbasis Latent Dirichlet Allocation (LDA) [14]. Hasil penelitian ini menunjukan efektifitas dari pedekatan AEP-LDA dalam mengekstrak fitur dan sentimen yang melekat pada fitur. Pendekatan AEP-LDA juga mengungguli metode Nearest dan Mutual Information. Dari hasil penelitian-penelitian terdahulu, tugas akhir ini ingin memanfaatkan arsitektur sistem ekstraksi fitur dan analisis

6 sentiment ulasan dari penelitian Minqing Hu dan Bing Liu [9]. Sementara metodologi ekstraksi fitur dan opini akan merujuk pada penelitian Yohan Jo dan Alice Oh [13]. Kemudian metodologi AEP-LDA berdasarkan penelitian Xiaolin Zhen et.al. akan digunakan sebagai metode ekstraksi fitur dan orientasi opini dari ulasan produk yang ada dengan pertimbangan bahwa metode AEP-LDA menghasilkan hasil yang lebih presisi dibandingkan dengan metode LDA dan SLDA [14]. Metode LDA sendiri lebih akurat daripada metode unigram dan pLSI. Data ulasan akan diambil dari situs e-commerce terkemuka, Amazon.com.

1.2.

Perumusan Masalah

Berdasarkan latar belakang tersebut, tugas akhir yang diajukan menitikberatkan permasalahan pada beberapa hal sebagai berikut. 1.

2. 3.

1.3.

Bagaimana mengekstrak fitur dan opini ulasan fitur produk dengan metode Appraisal Expression Pattern berbasis Latent Dirichlet Allocation. Fitur apa sajakah dari produk tersebut yang sering dibahas pada ulasan? Bagaimana orientasi / sentimen dari ulasan tersebut?

Batasan Masalah

Berdasarkan rumusan masalah di atas, batasan masalah dalam tugas akhir ini dapat didefinisikan sebagai berikut. 1. 2.

Produk yang dianalisis minimal satu produk dengan jumlah ulasan minimal 500 ulasan. Ulasan produk yang dianalisis adalah ulasan yang hanya ditulis dalam bahasa Inggris.

7 3.

1.4.

Sumber data yang yang diperoleh dalam studi kasus ini hanya berasala dari hasil web scraping pada situs http://www.amazon.com.

Tujuan Tugas Akhir

Berdasarkan rumusan masalah di atas, tujuan daripada tugas akhir ini adalah sebagai berikut. 1.

2.

3.

Mengembangkan aristektur aplikasi e-commerce yang mampu mengekstrak fitur dan orientasi opini produk dan berdasarkan ulasan yang telah ditulis oleh konsumen produk terkait menggunakan metode AEP-LDA. Mengembangkan aplikasi e-commerce yang mampu mengekstrak fitur-fitur produk berdasarkan ulasan konsumen terhadap suatu produk. Mengembangkan aplikasi e-commerce yang mampu menampilkan orientasi opini fitur produk berdasarkan ulasan konsumen terhadap suatu produk.

Luaran dari tugas akhir ini berupa aplikasi prototipe e-commerce yang mampu melakukan ekstraksi fitur dan melakukan analisa sentimen terhadap opini yang melekat pada fitur. Fitur dan hasil analisa sentimen akan di tampilkan pada aplikasi prototipe e-commerce.

1.5.

Manfaat Tugas Akhir

Manfaat yang dapat diperoleh bagi pelaku e-commerce khususnya pembeli pada marketplace e-commerce antara lain adalah sebagai berikut. 1.

Mampu mengetahui fitur unggulan berdasarkan ulasan produk oleh konsumen produk terkait.

8 2.

Mampu mengetahui seberapa baik atau buruk suatu sentimen terhadap produk yang diulas oleh konsumen produk terkait. Mampu membantu konsumen dalam mengambil keputusan untuk membeli atau tidak membeli suatu produk berdasarkan ulasan terhadap produk yang telah diaggregasi.

3.

1.6.

Relevansi Tugas Akhir

Relevansi tugas akhir akan membahas mata kuliah yang terkait dengan topik penelitian tugas akhir serta keterkaitan dengan roadmap laboratorium Sistem Enterprise Jurusan Sistem Informasi ITS. Mata kuliah yang berkaitan dengan topik tugas akhir ini telah dipetakan berdasarkan rumusan masalah, seperti yang ditunjukan pada Tabel 1. Penelitian ini adalah bagian dari topik ERP 3.0, yang berfokus pada pelanggan (customer focus). ERP 3.0 akan menciptakan borderless enterprise dengan mengintegrasikan / membuat marketplace intelligence / analitik dari e-commerce yang ada saat ini. Tabel 1 Relevansi Tugas Akhir Terhadap Kompetensi Jurusan Sistem Informasi ITS No. 1.

Rumusan Masalah Bagaimana cara mengambil data ulasan produk dari situs ecommerce kemudian merapikannya dan menyimpannya agar mudah diolah?

Mata Kuliah Desain Basis Data, Manajemen Basis Data, Integrasi Aplikasi Korporasi

2.

Fitur apa sajakah dari produk tersebut yang sering dibahas pada ulasan?

E-commerce, Sistem Cerdas

9 No. 3.

Rumusan Masalah Bagaimana orientasi / sentimen dari ulasan tersebut?

Mata Kuliah E-commerce, Sistem Cerdas

4.

Bagaimana rancang bangun dari aplikasi e-commerce secara keseluruhan yang dapat menampilkan fitur produk berdasarkan ulasan?

Arsitektur SI/TI dalam Perusahaan, Konstruksi dan Pengujian Perangkat Lunak

10 Halaman ini sengaja dikosongkan

BAB II TINJAUAN PUSTAKA Bab ini akan menjelaskan mengenai profil perusahan, baik dari profil perusahaan tempat dilaksanakannya kerja praktik, maupun perusahaan yang menjadi bahan kajian studi kasus.

2.1.

Penelitian Sebelumnya

Dalam penelitian tugas akhir ini, ada beberapa penelitian terdahulu yang dapat dijadikan sebagai bahan kajian studi literatur. Adapun penelitian sebelumnya mengenai gambaran umum penelitian, tujuan penelitian, hasil penelitian, dan keterkaitan penelitian akan diulas pada bab ini. Berikut adalah penelitian terdahulu terkait dengan tugas akhir ini. Tabel 2 Hasil Kajian Studi Literatur

Judul Penelitian 1 From e-commerce to social commerce; A close look at design features [5] Tujuan Menunjukan bahwa pasar e-commerce telah mengalami perubahan yang signifikan dengan berkembangnya teknologi Web 2.0. Hasil Menghasilkan kerangka kerja dalam mendesain platform e-commerce yang bercirikan social commerce

Keterkaitan Dengan Penelitian Penelitian ini menunjukan bahwa social commerce mempengaruhi cara pelanggan dalam berbelanja online. Sehingga tujuan dari tugas akhir ini

11

12 adalah bagaimana cara memperbaiki sistem ulasan produk pada situssitus e-commerce agar dibuat berdasarkan prinsip social commerce.

Judul Penelitian 2 Mining Opinion Features in Customer Reviews [9] Tujuan Mendemonstrasikan teknik data mining dengan menggunakan association rule mining untuk mengekstrak fitur yang melekat pada produk Hasil 1. 2. 3.

Arsitektur sistem untuk mengaggregasi ulasan produk Rata-rata recall sebsear 80% dan rata-rata presisi sebesar 72% Karena hasil recall dan presisi cukup bagus, maka penelitian ini dapat diaplikasikan dalam kasus nyata. Keterkaitan Dengan Penelitian

Penelitian ini memaparkan aristektur sistem untuk mengekstrak fitur dari ulasan produk. Aristektur tersebut akan diadopsi pada penelitian sebagai acuan dalam memproses data ulasan produk.

Judul Penelitian 3 Latent Dirichlet Allocation [11] Tujuan Menemukan model baru untuk menemukan deskripsi singkat yang memungkinkan efisiensi pemrosesan dokumen dalam jumlah besar serta menyatakan hubungan statistik sehingga dapat digunakan untuk

13 klasifikasi, sumarisasi, serta penilaian terhadap kesamaan dan relevansi topik yang terkandung dalam kumpulan dokumen. Hasil Sebuah model matematis bernama Latent Dirichlet Allocation

Bagan 1 Notasi Blok Latent Dirichlet Allocation Atau jika ditulis dalam notasi matematika: p(w,z,, |,)  p( |)p(z|) p( | )p(w| z,) Dimana: N = Jumlah kata dalam dokumen (N(m)) M = Jumlah dokumen teridentifikasi K = Jumlah topik teridentifikasi W(n,m) = kata-kata yang diobservasi dalam suatu korpus teks Z (n,m) = topik yang melekat pada kata Θ(m) = proporsi topik per dokumen yang teridentifikasi Φ(k) = distribusi topik pada vocabulary α, β = parameter dirichlet

Keterkaitan Dengan Penelitian Penelitian di atas memaparkan serta mendemonstrasikan implementasi dari Latent Dirichlet Allocation dalam permasalahan pemodelan topik. Model Latent Dirichlet Allocation akan digunakan untuk mengekstrak fitur-fitur apa saja yang sering dibicarakan konsumen. Dengan melihat probabiltas kata yang sering muncul dalam ulasan produk, maka dapat

14 ditarik kesimpulan mengenai fitur-fitur produk apa saja yang sering dibicarakan konsumen dan bagaimana sentimen masing-masing fitur yang dibicarakan oleh konsumen.

Judul Penelitian 4 Aspect and Sentiment Unification Model [13] Tujuan Mengusulkan pendekatan baru dalam ekstraksi fitur dan analisa sentiment menggunakan Latent Dirichlet Allocation, dinamakan dengan Aspect and Sentiment Unification Model (ASUM). Peneliti kemudian membandingkan dengan model yang ia kembangkan sebelumnya bernama Sentence LDA (SLDA). Hasil ASUM merupakan perluasan dari SLDA yang menggabungkan aspek beserta sentimen terhadap aspek tersebut. Hasil menunjukan bahwa dengan menggabungkan aspek beserta sentimen terhadap aspek tersebut, SLDA cenderung menemukan aspek berdasarkan kategori produk, sementara ASUM berhasil menemukan aspek dengan melihat sentimen yang mirip dari berbagai kategori produk. Secara keseluruhan, ASUM menggabungkan aspek, sentimen, dan aspek-sentimen. Metode ASUM mampu mengidentikasi sentimen yang melekat pada aspek produk. Dari hasil eksperimen di atas, dapat disimpulkan bahwa ASUM mengungguli kesemua metode dalam semua eksperimen yang ada. Keterkaitan Dengan Penelitian Penelitian Alice Oh menunjukan bahwa LDA maupun pengembangkan menunjukan performa yang jauh lebih baik daripada metode classifier lainnya dalam kasus pemodelan topik. Ke depn, penelitian tugas akhir ini pun dapat dikembangkan dengan menggunakan model LDA yang telah dikembangkan.

15 Judul Penelitian 5 Incorporating appraisal expression patterns into topic modeling for aspect and sentiment word identification [14] Tujuan Mengusulkan dua pendekatan antara lain pendekatan unsupervised dependency analysis-based dan Appraisal Expression Patterns (AEP) berbasis Latent Dirichlet Allocation (LDA) Hasil 1.

Model AEP-LDA sebagai pengembangan dari Smoothed LDA (SLDA

Bagan 2 Notasi Pelat AEP-LDA Berikut ini adalah notasi matematika untuk mendapatkan probabilitas kata aspek, opini, dan background words dalam suatu kalimat s dalam dokumen d. 𝑃(𝑓𝑑,𝑠,𝑛 = 1|𝐴𝐸𝑃) ∞ max{𝐶𝑆|𝑆𝐷𝑃ℎ𝑛 } 𝑃(𝑓𝑑,𝑠,𝑛 = 2|𝐴𝐸𝑃) ∞ max{𝐶𝑆|𝑆𝐷𝑃𝑛ℎ } 𝑃(𝑓𝑑,𝑠,𝑛 = 0|𝐴𝐸𝑃) ∞ 1 − max{𝑃(𝑓𝑑,𝑠,𝑛 = 1|𝐴𝐸𝑃), 𝑃(𝑓𝑑,𝑠,𝑛 = 2|𝐴𝐸𝑃) }

16 Dimana: 𝑃(𝑓𝑑,𝑠,𝑛 = 0|𝐴𝐸𝑃) = Probabiltas background words 𝑃(𝑓𝑑,𝑠,𝑛 = 1|𝐴𝐸𝑃) = Probabiltas kata aspek 𝑃(𝑓𝑑,𝑠,𝑛 = 2|𝐴𝐸𝑃) = Probabiltas kata opini 𝑆𝐷𝑃ℎ𝑛 = SDP antara kata ke-n (kandidat kata sentimen) dan kata ke-h (kandidat kata aspek) dalam kalimat s dalam dokumen d. 𝑆𝐷𝑃𝑛ℎ = SDP antara kata ke-h (kandidat kata aspek) dan kata ke-n (kandidat kata sentimen) dalam kalimat s dalam dokumen d. 2.

Hasil penelitian ini menunjukan efektifitas dari pedekatan AEP-LDA dalam mengekstrak fitur dan sentimen yang melekat pada fitur. Pendekatan AEP-LDA juga mengungguli metode Nearest dan Mutual Information. Keterkaitan Dengan Penelitian

Metode AEP-LDA digunakan sebagai metode untuk mengekstrak fitur dari ulasan produk e-commerce, serta menentukan orientasi opini terhadap fitur berdasarkan ulasan produk.

2.2.

Dasar Teori

Dasar teori merupakan penjelasan mengenai teori-teori yang digunakan untuk mendukung pengerjaan tugas akhir. Terdapat beberapa teori yang digunakan dalam pengerjaan tugas akhir ini diantaranya e-commerce, social commerce, web scraping, Standford Natural Language Processing (NLP), Part of Speech (POS) Tagging, Sentiment Analysis, Appraisal Expression Pattern, Latent Dirichlet Allocation, dan Gibbs Sampling.

17 2.2.1.

E-Commerce

E-commerce atau perdagangan elektronik merujuk pada model bisnis yang tidak lain adalah konsep umum yang melingkupi segala macam bentuk dari transaksi bisnis atau pelaksanaan pertukaran informasi dengan menggunakan teknologi informasi dan komunikasi [15]. Teknologi yang mengitari e-commerce sangat beragam antara lain mobile commerce, electronic funds transfer, supply chain management, internet marketing, online transaction processing, electronic data interchange, inventory management systems, dan automated data collection systems. Bentuk-bentuk dari e-commerce pun bisa sangat beragam mulai dari situs belanja dari retailer menuju ke konsumen, sistem jual beli business to business (B2B), pengolahan data melalui kontak web dan sosial media, electronic data interchange pada landskap business to business (B2B) hingga pertukaran mata uang yang dilakukan secara online. Dengan menggunakan e-commerce, baik pembeli maupun penjual dapat berkomunikasi dan bertransaksi kapan pun dan dimanapun melalui jaringan internet. Sehingga e-commerce berdampak pada penurunan biaya infrastruktur, meleburnya batas-batas geografis, dan tumbuhnya peluang bisnis baru [16]. Kehadiran e-commerce dalam landskap perdagangan telah mendorong timbulnya persaingan harga sebagaiamana platform e-commerce mampu memberikan informasi yang lengkap mengenai spesifikasi produk beserta ulasan pengguna bagi pelanggan [17]. Informasi yang diterima oleh pelanggan

18 sangat banyak. Di situs-situs e-commerce terkemuka seperti Amazon.com, produk-produk yang dijual mencapai 391.337.440 per 1 Desember 2016 [18]. Belum lagi ulasan produk yang bisa mencapai puluhan ribu untuk tiap produknya. E-commerce merupakan suatu ekosistem yang dikembangkan agar penjual dan pembeli dapat bertransaksi kapanpun dan dimanappun menggunakan segala macam perantara elektronik yang memungkinkan. Huang dan Benyoucef memaparkan kriteria-kriteria kesuksesan sebuah platform e-commerce berdasarkan Information Systems Success Model yang dikembangkan oleh Delone dan McLean [5]. Kriteria-kriteria tersebut dapat dilihat pada tabel 3. Tabel 3 Kriteria Kesuksesan E-Commerce [5]

Prinsip Usabilitas

Karakteristik

Tujuan Bisnis

Kemudahan Penggunaan

Untuk membuat situs yang mudah digunakan.

Interface yang mudah dipahami

Untuk membuat antar muka situs yang mudah dipahami.

Simplisitas

Untuk menyediakan struktur dan fungsi platform e-commerce yang sederhana.

Navigasi

Agar pengguna dapat melakukan navigasi di dalam situs.

Kontrol Pengguna

Untuk mengizinkan pengguna masuk dan keluar dari situs atau

19 Prinsip

Karakteristik

Tujuan Bisnis platform e-commerce.

Pencegahan Error

Untuk mencegah agar pengguna tidak melakukan tindakan yang membuat error muncul.

Fungsi Help

Untuk menawarkan pertolongan dan dokumentasi situs e-commerce bagi pengguna.

Mudah dipahami

Untuk membuat konten situs yang mudah dipahami.

Aksesibilitas

Untuk memungkinkan website diakses oleh semua pengguna.

Kecepatan

Untuk membuat situs yang cepat untuk diunduh dan ditampilkan bagi pengguna.

Visibilitas status sistem

Menginformasikan kepada user terkait dengan status situs atau platform saat ini. Contoh: mengirimkan notifikasi migrasi sistem kepada pengguna sehingga pengguna dihimbau untuk segerea melakukan backup data.

20 Prinsip

Karakteristik Kemiripan dunia nyata

Kualitas Informasi

dengan

Tujuan Bisnis Agar situs/platform yang dikembangkan mengikuti konvensi dunia nyata.

Konsistensi

Membuat komponen website dengan desain dan tata letak yang konsisten.

Mengutamakan kemudahan untuk dikenali daripada kemudahan untuk diingat kembali

Untuk membuat informasi semakin mudah untuk diingat.

Desain yang estetik

Untuk membuat desain situs atau platform e-commerce yang memperhatikan estektika dan atraktif.

Personalisasi

Agar situs dapat dikustom sesuai dengan keperluan

Relevansi

Untuk menyediakn informasi yang relevan

Akurasi

Untuk menyediakan informasi yang akurat

Kelengkapan

Untuk menyediakan informasi yang lengkap

Terperbaharui

Untuk menyediakan informasi yang terperbaharui

21 Prinsip

Kualitas Sistem

Karakteristik

Tujuan Bisnis

Otoritas

Untuk menjamin kerahasiaan pengguna

Kegunaan

Untuk menyediakan informasi yang berguna

Kecukupan

Untuk menyediakan informasi yang cukup

Keamanan

Menjamin sistem digunakan

Kemudahan Akses

Memungkinkan akses yang cepat bagi semua pengguna

Pemulihan dari error

Untuk membantu sistem dalam pemulihan dari error

Operasi dan komputasi

Untuk membuat sistem dan layanan yang tersedia mudah digunakan dan dioperasikan

Tampilan

Untuk mempersentasikan visual yang baik

Fungsionalitas

Untuk menyediakan fungsi yang mencukupi semua tugas yang teridentifikasi

Sistem Pembayaran

Untuk sistem

bahwa aman

menyediakan pembayaran

22 Prinsip

Kualitas Layanan

Kesenangan

Karakteristik

Tujuan Bisnis online yang aman dan mudah digunakan

Sistem Pemesanan

Untuk mengembangkan sistem pemesanan yang dapat melakukan pelacakan status pemesanan

Konten

Untuk menyediakan konten yang sesuai dengan harapan pelanggan

Responsif

Untuk menyampaikan respon yang cepat dan tepat sesuai dengan kebutuhan user

Jaminan

Untuk menyedikan dukungan dalam penyelesaian masalah pelanggan

Empati

Untuk memberikan perhatian dan empati bagi pengguna

Layanan yang proaktif

Untuk mendengarkan setiap umpan balik yang diberikan pengguna

Reliabilitas

Untuk menyampaikan layanan yang dapat diandalkan dan dapat dipercaya

Kenikmatan

Untuk menyediakan pengalaman yang

23 Prinsip

2.2.2.

Karakteristik

Tujuan Bisnis menyeangkan bagi pengguna

Tampilan yang menarik

Untuk menyediakan antar muka yang estetis bagi pengguna

Kontrol

Memberikan kontrol bagi pengguna

Penasaran

Untuk meningkatkan rasa penasaran bagi pengguna

Ketertarikan intrinsik

Agar sesuai dengan ketertarikan user.

Social Commerce

E-commerce saat ini sedang mengalami evolusi melalui adaptasi teknologi dari kapabilitas Web 2.0. untuk meningkatkan partisipasi pelanggan dalam ekosistem e-commerce [5]. Fenomena inilah yang disebut sebagai social commerce. Ditambah lagi dengan adanya teknologi sosial media dan mobile applications yang semakin hari semakin berkembang, pasar e-comerce pun semakin hari dipenuhi oleh pelaku bisnis yang kreatif dan kolaboratif dalam membangun atau mengembangkan bisnis [19]. Sehingga pasar barang dan jasa telah bergeser menjadi pasar yang berfokus pada sosial dan digerakan oleh pengguna internet. Web 2.0. merupakan suatu pendekatan pemberian layanan berbasis web menekankan pada kolaborasi online dan berbagi antar pengguna. Gambar di atas menjelaskan tentang arsitektur

24 dari Web 2.0.. Prinsip-prinsip Web 2.0 sebagaimana yang dikemukakan oleh O’Reilly adalah sebagai berikut [20]: 0. 1. 2.

Web sebagai platform Data sebagai pengendali utama Efek jaringan diciptakan melalui melibatkan partisipasi pengguna

aristektur

yang

Arsitektur terbuka (mengubah aplikasi menjadi platform web)

Siklus Viral

Memungkinkan pengguna bertinteraksi dan memberi nilai tambah aplikasi

Antar muka pengguna, logika aplikasi, penyimpanan dan penarikan database

Bagan 3 Arsitektur Web 2.0.

3.

4. 5. 6.

Inovasi dalam perakitan sistem serta situs disusun dengan menyatukan fitur dari pengembang yang terdistribusi dan independen (semacam model pengembangan "open source") Model bisnis yang ringan, yang dikembangkan dengan gabungan isi dan layanan Akhir dari sikllus peluncuran (release cycle) perangkat lunak (perpetual beta) Mudah untuk digunakan dan diadopsi oleh user

25 Adopsi teknologi Web 2.0 ke dalam platform e-commerce telah menimbulkan fenomena social commerce. Social commerce sendiri melibatkan disiplin ilmu yang beragam antara lain displin ilmu pemasaran, ilmu komputer, sosiologi, dan psikologi. Oleh karena karakteristik fenomena social commerce yang melibatkan multi disiplin ilmu, maka seringkali definisi dari fenomena social commerce menjadi bias. Huang dan Benyoucef kemudian memberikan definisi bahwasannya social commerce merupakan aplikasi komersial berbasis internet yang mengutilisasi penggunaan teknologi sosial media dan Web 2.0 dalam upaya untuk menciptakan interaksi sosial sehingga user dapat memberikan konten berupa ulasan atau komentar agar memudahkan konsumen dalam mengambil keputusan pembelian produk baik berupa barang fisik atau jasa pada situs atau komunitas belanja online [5]. 2.2.3.

Web Scraping

Web scraping merupakan teknik ekstraksi data yang bersumber dari halaman-halaman situs web. Web scraping dilakukan dengan cara menyalin data yang dikumpulkan dari halamanhalaman situs web yang tersebar di penjuru internet. Kemudian data-data salinan tersebut ditampung ke dalam media penyimpanan seperti basis data atau file spreadsheet untuk keperluan analisa lebih lanjut. Halaman website pada umumnya dibuat dengan bahasa markup seperti HTML atau XHTML. Meskipun halaman web dengan format tersebut menyimpan banyak informasi, namun halaman web tersebut didesain untuk keperluan tampilan pada pengguna akhir dan susah untuk melakukan otomasi scraping pada web tersebut. Oleh karena itu, beberapa perusahaan telah

26 menyediakan Application Programming Interface (API) yang memudahkan proses web scraping. Ragam bentuk web scraping bervariasi mulai dari cara manual yang melibatkan interaksi dan keputusan manusia, maupun yang terotomasi. Berikut adalah beberapa teknik web scraping yang cukup populer. 2.2.3.1.

Teknik Salin Manual

Teknik ini merupakan teknik yang paling sederhana dalam web scraping. Pengguna hanya membuka atau mengunduh halaman website kemudian menyalin informasi-informasi yang dibutuhkan ke dalam media penyimpanan basis data, file spreadsheet, maupun media-media penyimpanan lainnya. Solusi ini dilakukan jika target situs web yang diinginkan memblokir atau tidak mengizinkan aktivitas web scraping terjadi pada situs web yang bersangkutan. 2.2.3.2.

Pencocokan Pola (Regular Expression)

Merupakan salah satu teknik web scraping yang jamak dijumpai karena kemudahannya dalam melaksanakan tugas web sraping. Teknik ini dinamakan regular expression (regex), yakni melihat pola kata, digit, atau karakter yang muncul pada suatu dokumen di situs web. Bentuk dari regex sendiri adalah sebagai berikut [21]. /pola/modifier Berikut ini adalah modifer yang digunakan dalam regex untuk melakukan pencarian secara global:

27 Tabel 4 Modifier pada Regex

Modifer

Deskripsi

i

Melakukan pencarian kecilnya huruf.

dengan

mengabaikan

besar

g

Menemukan semua pola yang cocok. Mirip dengan fungsi find all.

m

Melakukan pencocokan pola per baris.

Berikut ini adalah brackets dalam regex. Brackets digunakan untuk mencari jangkauan karakter. Tabel 5 Brackets pada Regex

Modifer

Deskripsi

[abc]

Menemukan karakter yang ada sebagaimana yang didefinisikan dalam bracket.

[^abc]

Menemukan karakter yang ada selain yang didefinisikan dalam bracket.

[0-9]

Menemukan digit yang ada didefinisikan dalam bracket.

[^0-9]

Menemukan digit yang ada selain yang didefinisikan dalam bracket.

(x|y)

Menemukan alternatif yang ada sebagaiman yang didefinisikan dalam bracket.

sebagaimana

yang

Berikut ini adalah metacharacters dalam regex. Metacharacters merupakan karakter yang memiliki makna khusus.

28 Tabel 6 Metacharacters pada Regex

Metacharacter

Deskripsi

.

Menemukan karakter tunggal kecuali baris baru.

\w

Menemukan karakter huruf

\W

Menemukan karakter non huruf

\d

Menemukan karakter digit

\D

Menemukan karakter non digit

\s

Menemukan karakter whitespace

\S

Menemukan karakter non whitespace

\b

Menemukan karakter pada awal / akhir kata

\B

Menemukan karakter bukan pada awal / akhir kata

\0

Menemukan karakter NULL

\n

Menemukan karakter baris baru

\f

Menemukan karakter form feed

\r

Menemukan karakter carriage return

\t

Menemukan karakter tab

\v

Menemukan karakter tab vertikal

\xxx

Menemukan karakter yang dispesifikan dengan angka oktal

\xdd

Menemukan karakter yang dispesifikan dengan angka heksadesimal dengan format dd

29 Metacharacter \uxxxx

Deskripsi Menemukan karakter yang dispesifikan dengan angka heksadesimal dengan format xxxx

Berikut ini adalah quantifiers dalam regex. Modifer

Deskripsi

n+

Mencocokan string yang mengandung paling tidak 1 karakter n

n*

Mencocokan string yang mengandung 0 atau lebih dari 0 karakter n

n?

Mencocokan string yang mengandung 0 atau 1 karakter n

n{X}

Mencocokan string yang mengandung sekuensial X dari karakter n

n{X,Y}

Mencocokan string yang mengandung sekuensial X ke Y dari karakter n

n$

Mencocokan string yang berakhiran karakter n

^n

Mencocokan string yang berawalan karakter n

?=n

Mencocokan string yang diikuti oleh karakter n

?!n

Mencocokan string yang tidak diikuti oleh karakter n

Teknik scraping dengan regex dapat dilakukan apabila teknik scraping dengan HTML parsing dan DOM parsing tidak mungkin dilakukan. Biasanya karena kode markup untuk menampilkan ke HTML dihasilkan dengan kode Javascript. Teknik ini juga efektif digunakan untuk memformat ulang bentuk data agar lebih mudah dibaca dan dapat disimpan sesuai dengan pola yang diinginkan melalui penerapan aturan regex.

30 2.2.3.3.

Pemrogramman HTTP

Teknik ini menggunakan teknik posting permintaan data menggunakan protokol HTTP (GET atau POST). Akan tetapi teknik ini tidak dapat diterapkan di semua website. Hanya web dengan keamanan rendah atau memang mengizinkan pengambilan data yang memungkinkan teknik ini digunakan. Teknik ini juga memungkinkan otomasi scraping. Gambar 3 menunjukan ciri website yang dapat di-scraping dengan pemrograman HTTP.

Bagan 4 Request data via XMLHttpRequest pada salah satu website ecommerce di Indonesia

Sebuah request HTTP dilakukan oleh script program pada suatu URL. Request HTTP dilakukan dengan menggunakan XMLHttpRequest, sebuah API yang dirancang untuk berkomunikasi dengan server, mengambil data sesuai permintaan dan mengembalikannya ke browser klien [22]. Output dari XMLHttpRequest adalah berupa file yang pada umumnya berupa JSON atau XML. Nilai kembalian tersebut juga dapat disesuaikan melalui query URL. Selanjutnya data dari hasil query URL tersebut akan ditampung dalam array atau objek pemrograman untuk diolah lebih lanjut. Gambar 4

31 menunjukan cara kerja teknik scraping dengan pemrograman HTTP.

Bagan 5 Teknik Scraping dengan Pemrogramman HTTP [22]

2.2.3.4.

HTML Parsing

Pada website, data diambil dari basis data kemudian ditampilkan sebagai dokumen HTML. Seringkali data tersebut ditampilkan pada halaman serupa (paginasi) dan dengan menggunakan template tertentu (menggunakan HTML dan CSS Selector). Gambar 6 mencontohkan HTML parsing dengan menggunakan library Java Jaunt. Teknik HTML parsing mengambil dokumen HTML dari suatu URL kemudian ditampung dalam objek dokumen. Selanjutnya, informasi dari HTML dokumen akan disaring dengan mencocokan tag-tag HTML yang memiliki data sesuai keperluan. Pencocokan dapat dilakukan dengan Regex maupun pencocokan tag sederhana. Data-data dalam tag ini bisa diiterasi untuk ditampung ke dalam array, objek pemrograman,

32 maupun media penyimpanan spreadsheet, dan lain-lain.

seperti

basis

data,

file

Bagan 6 Contoh HTML Parsing dengan Jaunt [23]

2.2.3.5.

DOM Parsing

World Wide Web Consortium mendefinisikan Document Object Model (DOM) sebagai Application Programming Interface untuk dokumen HTML dan XML yang valid. DOM mendefinisikan struktur logika dari dokumen dan bagaimana sebuah dokumen diakses dan dimanipulasi [24]. Gambar 7 adalah contoh dokumen HTML.

33

Bagan 7 Sebuah dokumen HTML

Representasi grafik DOM dari tabel di atas adalah seperti yang terlihat pada gambar 7 berikut.

Bagan 8 Representasi Grafik DOM untuk dokumen HTML

Dengan menggunakan DOM, pengembang dapat membuat dokumen, menavigasi struktur dokumen, serta dapat

34 menambahkan, memodifikasi, atau menghapus elemen dan konten. Beberapa scraper telah mendukung pencarian informasi dengan menggunakan DOM parsing. DOM parsing memiliki cara kerja yang serupa dengan HTML parsing, hanya saja, alihalih menggunakan pencocokan pola dengan menggunakan regex atau pencocokan tag sederhana, sekarang pengguna dapat mencari data yang diperlukan dengan menembak tag-tag HTML menggunakan DOM selector. Gambar 8 menunjukan implementasi dari teknik DOM Parsing.

Bagan 9 Implementasi DOM parsing [25]

2.2.3.6.

Semantic Annotation Recognizing

Teknik ini melibatkan teknologi semantic web dalam melakukan web scraping. Sederhananya, sama halnya HTML parsing dan DOM parsing, pengguna mengambil informasi

35 berdasarkan tag-tag dalam dokumen HTML. Namun teknik Semantic Annotation Recognizing memiliki kelebihan lain karena teknik ini membaca tag-tag semantik yang didefinisikan oleh pengembang situs web dimana situs web yang bersangkutan menjadi target scraping. Tidak semua webstie dapat dijadikan target untuk melakukan Semantic Annotation Recognizing. Pengembang situs web harus mengimplementasikan Semantic Annotaion Recognizing. Dalam kasus web scraping, pengembang website memberikan informasi tambahan berupa konsep pada teks atau konten lainnya. Dokumen yang di anotasikan dengan informasi tambahan ini digunakan agar mesin atau program dapat mengenali dan menginterpretasikan informasi. Gambar 9 merupakan contoh komponen semantik dalam suatu dokumen HTML.

Bagan 10 Contoh implementasi Semantic Annotation pada dokumen HTML dengan format Microdata

Pada contoh sebagaiamana pada gambar 9, pengembang memberi informasi tambahan berupa lokasi geografis, yakni posisi garis lintang 52,48 o sementara posisi garis bujur di -1,89 o . Semantic Annotation dapat mempermudah proses scraping sebagaimana informasi yang diperlukan telah didefinisikan dengan jelas. Melakukan proses anotattion dapat dilakukan dengan berbagai macam algoritma antara lain Pattern-based Annotation through

36 Knowledge on the Web (PANKOW) Qtag, AeroDAML, dan lain-lain [26]. 2.2.3.7.

Analisa dengan machine learning

Ekstraksi konten atau informasi pada situs web merupakan salah satu teknologi kunci untuk mengenal lebih dalam mengenai dunia web yang luas. Sejauh ini, sistem ekstraksi konten web otomatis telah dipelajari dengan mendalam. Akan tetapi aplikasi ekstraksi konten web yang dikembangkan saat ini hanya berfokus pada pengambilan data terstruktur [27]. Contoh dari data terstruktur antara lain merupakan katalog produk, ulasan pelanggan, dan informasi sejenis. Web scraping yang melibatkan pemanfaatan machine learning berfokus untuk menyelesaikan permasalahan dalam mengekstrak dan menganalisa data tidak terstruktur yang kerap dijumpai dalam surat kabar dan majalah digital, situs pembelajaran online, website pemerintah, dan situs-situs sejenis. 2.2.4.

Standford Natural Language Processing (NLP)

Natural Language Processing (NLP) adalah bidang dari ilmu komputer, kecerdasan buatan, dan komputasi bahasa yang melibatkan interaksi antara komputer dengan bahasa manusia. Tantangan dari ilmu NLP adalah untuk memahami bahasa manusia, membuat komputer dapat menarik makna dari data masukkan yang berupa bahasa manusia. Untuk dapat melakukan penggalian opini dalam suatu dokumen, maka dibutuhkan beberapa proses awal untuk membuat struktur teks dan melakukan ekstraksi fitur dari dokumen-dokumen yang teridentifikasi. Bentuk tugas-tugas dari NLP antara lain tokenisasi, segmentasi kata-kata, Part of Speech tagging, dan parsing.

37 Tokenisasi merupakan teknik paling fundamental dalam NLP [28]. Tokenisasi memecah kalimat atau dokumen ke dalam wujud token (kata atau frasa). Dalam tokenisasi, stop words akan dihilangkan karena tidak memiliki makna berarti. Part of Speech (POS) tagging merupakan prose untuk mengidentifikasi kata dari suatu kata tersebut dan menganalisa hubungan antara satu kata dengan kata lainnya [29]. Sederhananya proses ini mengkategorikan apakah suatu kata tergolong kata benda, kata kerja, kata sifat, dan lain-lain. Standford CoreNLP merupakan library Java yang dikembangkan oleh kelompok periset NLP di Universitas Standford. Library ini menyediakan sekumpulan alat analisis yang dapat mengidentifikasi bentuk dasar dari sebuah kata, mengidentifikasi Part of Speech, mengidentifikasi struktur dari kalimat berupa frasa dan kata-kata, dependensi, analisa sentimen, dan seterusnya [30]. Standford CoreNLP juga menyediakan sejumlah anotator yang dapat digunakan sesuai dengan keperluan analisa bahasa. Tabel berikut merupakan anotator yang disediakan oleh Standford CoreNLP. Tabel 7 Anotator yang disediakan oleh Standford NLP [30]

Nama Anotator

Dependensi

Deskripsi

Tokenize

Tidak ada

Melakukan tokenisasi terhadap teks yang dimasukkan sebagai input.

CleanXML

Tokenize

Menghilangkan token XML dari dokumen

Ssplit

Tokenize

Memecah belah token ke dalam kalimat

38 Nama Anotator

Dependensi

Deskripsi

POS

Tokenize, Ssplit

Memberi label pada token dengan POS tag.

Lemma

Tokenize, Ssplit, POS

Menghasilkan bentuk baku dari semua token pada korpus

NER

Tokenize, POS, Lemma

Mengidentifikasi entitas bernama (orang, lokasi, organisasi, dan lain-lain), numerik (uang, angka, ordinal, persentase), dan temporal (waktu, tanggal, durasi, himpunan)

RegexNER

?

Implementasi NER menggunakan Java Regex

Sentiment

?

Implementasi model sentimen Socher et.al. [31]

TrueCase

?

Mengidentifikasi bentuk kapital asli dari token-token yang terdapat dalam teks dimana informasi tentang bentuk kapitalnya tidak ada (contoh: pada teks yang hurufnya ditulis dalam huruf kapital saja).

Parse

Tokenize, Ssplit

Menyediakan analisis sintatik secara lengkap dengan memberikan representasi dependensi tiap kata kemudian menampilkannya menggunakan anotasi tree.

Ssplit,

39 Nama Anotator

Dependensi

Deskripsi

DepParse

Tokenize, Ssplit, POS

Menyediakan parser dependensi sintatik yang cepat.

DCoref

Tokenize, Ssplit, POS, Lemma, NER, Parse

Mengimplementasikan resolusi coreference (hubungan antara beberapa istilah yang memiliki rujukan sama) pronominal dan nominal.

Relation

Tokenize, Ssplit, POS, Lemma, NER, DepParse

Menemukan relasi terhadap dua entitas berbeda.

NatLog

Tokenize, Ssplit, POS, Lemma, NER, Parse / DepParse

Memberikan penilaian cakupan dan polaritas token menurut semantik logika natural.

Quote

Tidak ada

Mengambil karakter petik secara determinisitik keluar dari teks.

Standford NLP, selain tersedia dalam bentuk source code, juga tersedia service sebagaimana yang ada pada http://nlp.stanford.edu:8080/corenlp/. 2.2.5.

Part of Speech (POS) Tagging

Part of Speech (POS) Tagging merupakan proses untuk membaca teks dalam suatu bahasa dan memberi label bagian mendasar dari kalimat (part of speech) untuk masing-masing kata. Kata-kata tersebut akan dikategorisasikan ke dalam bentuk kata-kata berikut.

40 Tabel 8 Macam-macam Part of Speech dalam Bahasa Inggris [32]

Bentuk Kata

Contoh

Kata Benda Standford NLP Part of Speech: -

NN Noun, singular or mass NNS Noun, plural

Part of speech ini digunakan untuk menamai orang, benda, hewan, tempat, dan konsep abstrak. Macam-macam noun antara lain: -

-

book, house, car, love Your book is on the table. (Bukumu di atas meja.)

-

It is on the table. (Itu di atas meja.) This is your cake. (Ini kuemu.) He didn’t blame himself for the accident. (Dia tidak menyalahkan dirinya sendiri terhadap kecelakaan tersebut.)

Countable dan Uncountable Noun Proper dan Common Noun Abstract dan Concrete Noun Collective Noun

-

Kata Ganti Standford NLP Part of Speech: -

NNP Proper noun, singular NNPS Proper noun, plural

Pronoun digunakan menggantikan noun.

untuk

Part of speech ini bermanfaat untuk menghindari repetisi penggunaan noun. Macam-macam pronoun antara lain: -

Personal Pronoun (I, you, they, she)

-

41 Bentuk Kata Demonstrative Pronoun (this, those) Interrogative Pronoun (who, what, which) Relative Pronoun (who, which, that) Indefinite Pronoun (anything, none) Reflexive Pronoun dan Intensive Pronoun (myself, yourself) Reciprocal Pronoun (each other, one another)

-

-

-

Contoh Friends help each other. (Teman membantu satu sama lain.)

Kata Kerja Standford NLP Part of Speech: -

VB Verb, base form VBD Verb, past tense VBG Verb, gerund or present participle VBN Verb, past participle VBP Verb, non¬3rd person singular present VBZ Verb, 3rd person singular present

Part of speech ini digunakan untuk menunjukkan tindakan dari subject, menunjukkan peristiwa, atau keadaan. Macam-macam verb antara lain: -

Transitive dan Intransitive Verb Regular dan Irregular Verb Action dan Stative Verb Finite dan Non-Finite Verb Linking Verb Causative Verb

Kata Sifat

-

hit, touch, write You hit the nail on the head. (idiom: melakukan sesuatu dengan cara paling efektif.)

42 Bentuk Kata

Contoh

Standford NLP Part of Speech: -

JJ Adjective JJR Adjective, comparative JJS Adjective, superlative LS List item marker

Part of speech ini digunakan untuk menerangkan noun atau pronoun.

-

Vina is a beautiful girl. (Vina adalah gadis yang cantik.) I am not angry with you. (Saya tidak marah padamu.)

Kata Keterangan Standford NLP Part of Speech: -

RB Adverb RBR Adverb, comparative RBS Adverb, superlative -

Part of speech ini digunakan untuk menerangkan verb, adjective, maupun adverb lain. Macammacam adverb antara lain:

-

-

-

-

adverb of time (yesterday, now) adverb of manner (softly, quickly) adverb of degree (very, so) adverb of modality (likely, maybe) adverb of frequency (always, sometimes) adverb of place (here, somewhere)

They met by chance yesterday. (Mereka bertemu tidak sengaja kemarin.) He is not here. (Dia tidak disini) I go fishing sometimes. (Saya pergi memancing kadang-kadang.)

43 Bentuk Kata adverb of focus (also, only)

-

Contoh

Preposisi (Kata Depan) Standford NLP Part of Speech: -

IN Preposition or subordinating conjunction

Part of speech ini dikombinasikan dengan noun atau pronoun untuk membentuk phrase (prepositional phrase) yang menerangkan verb, noun, atau adjective

-

in the classroom, on the floor Is sleeping on the floor good for my back? (Apakah tidur di lantai baik untuk punggung saya?)

Konjungsi (Kata Sambung) Standford NLP Part of Speech: -

CC Coordinating conjunction -

Part of speech ini digunakan untuk menghubungkan dua kata, frasa (phrase), klausa (clause), atau paragraf (paragraph). Kata ini terbagi menjadi: -

-

coordinate conjunction (and, but, yet) correlative conjunction (either…or, rather…than, if…then) subordinate conjunction (after, although, when) adverbial conjunction (however, hence, then)

-

I like that car, but I don’t have enough money to buy it. (Saya suka mobil itu, tapi saya tidak punya cukup uang untuk membelinya.) He would rather send a text message thanmake a phone call. (Dia lebih suka mengirim pesan text daripada menelepon.)

44 Bentuk Kata

Contoh

Interjeksi (Kata Seru) Standford NLP Part of Speech: -

UH Interjection

Interjection merupakan ucapan pendek digunakan untuk mengungkapkan emosi.

-

“Alas, he failed.” “Oy! Look at me!”

Berikut ini adalah contoh implementasi Part of Speech Tagging pada salah satu ulasan pelanggan mengenai barang di marketplace online.

Bagan 11 Contoh Implementasi Part of Speech pada ulasan pelanggan terhadap barang di marketplace online [30]

2.2.6.

Latent Dirichlet Allocation

Latent Dirichlet Allocation (LDA) merupakan model generatif probabilistik untuk kumpulan data disktrit seperti korpus teks. LDA merupakan model Bayesian Hirarki tingkat tiga dimana setiap item pada himpunan data dimodelkan sebagai hasil dari penurunan dari beberapa topik [11]. Blei et.al. menuturkan bahwa LDA dikembangkan untuk menemukan deskripsi singkat yang memungkinkan efisiensi pemrosesan dokumen dalam jumlah besar serta menyatakan hubungan statistik sehingga dapat digunakan untuk klasifikasi,

45 sumarisasi, serta penilaian terhadap kesamaan dan relevansi topik yang terkandung dalam kumpulan dokumen. Agar tidak bias, Blei et.al. juga mendefinisikan istilah penting terkait dengan model LDA. Berikut adalah definisi formal yang dipaparkan Blei et.al. -

-

-

Kata adalah satuan terkecil dalam data diskrit. Kata didefinisikan sebagai suatu item dari kumpulan kosakata {1,...,V}. Kata ke-v dalam kosakata direpresentasikan dengan vektor w sebanyak V sedemikian sehingga wv = 1 dan wu = 0 dimana u ≠ v. Dokumen adalah barisan N kata yang dinotasikan dengan w = (w1, w2, ..., wn), dimana wn merupakan kata ke n dalam suatu barisan kata. Korpus adalah kumpulan dari M dokumen yang dinotasikan dengan D = {w1, w2, ..., wm}

LDA memiliki proses generatif sebagai berikut. 1. Untuk setiap dokumen w dalam korpus D a. Pilih N ~ Poisson(ξ) b. Pilih θ ~ Dir(α) 2. Untuk setiap N kata dalam dokumen wn: a. Pilih topik zn ~ Multinomial(θ). b. Pilih kata wn dari p( wn | zn, β ) Jika ditulis dalam notasi matematika maka hasilnya dapat terlihat pada persamaan 1. Persamaan 1 Notasi Matematika dari LDA

p(w,z,, |,)  p( |)p(z|) p( | )p(w| z,) Gambar berikut adalah model LDA jika digambarkan dalam notasi pelat.

46

Bagan 12 Notasi Pelat LDA [14]

Dimana: N = Jumlah kata dalam dokumen (N(m)) M = Jumlah dokumen teridentifikasi K = Jumlah topik teridentifikasi W(n,m) = kata-kata yang diobservasi dalam suatu korpus teks Z (n,m) = topik yang melekat pada kata Θ(m) = proporsi topik per dokumen yang teridentifikasi Φ(k) = distribusi topik pada vocabulary α, β = parameter dirichlet 2.2.7.

Appraisal Expression Pattern

Appraisal Expression Pattern (AEP) adalah sebuah istilah yang dikembangkan oleh Xiaolin Zheng et.al. sebagai satuan pengetahuan linguistik yang merangkum ekspresi penilaian atas suatu fitur dari objek yang dibicarakan [14]. Untuk memahami ekspresi penilaian atas suatu fitur dari objek yang dibicarakan, seseorang perlu tahu hubungan antara aspek

47 apa saja yang dibicarakan dengan sentimen yang melekat pada tiap-tiap aspek tersebut. Diketahui bahwa hubungan antara kata aspek dengan kata sentimen dapat direpresentasikan dalam bentuk grafik dependensi yang menggambarkan hubungan dependensi antara satu kata dengan kata lainnya. Gambar 11 menggambarkan grafik dependensi dari salah satu ulasan yang ditulis konsumen terhadap produk yang dijual pada suatu marketplace online.

Bagan 13 Grafik Dependensi antar kata [30]

Dari grafik dependensi antar kata, dapat diperoleh informasi mengenai 1) Part of Speech (POS) yang tidak lain berupa tag POS yang melekat pada masing-masing kata yang telah di tokenisasi, 2) Informasi mengenai posisi dari kata yang dimaksud dalam suatu kalimat, dan 3) hubungan dependensi antara dua kata yang direpresentasikan dalam bentuk jalur dependensi dalam sebuah grafik dependensi. Dalam kasus ini “it” merujuk pada produk “Amazon Echo” dan sentimen terhadap produk tersebut adalah bahwa penulis ulasan yang tidak lain adalah konsumen “Amazon Echo” menyatakan bahwa dia menyukai produk tersebut, direpresentasikan dalam kata “Like”.

48 Untuk menghubungkan antara kata aspek dengan kata sentimen, Xiaolin Zheng et.al. mengembangkan Shortest Dependency Path (SDP), yakni jalur terpendek yang menghubungkan antara dua kata dalam grafik dependensi. Tujuan dibuatnya SDP adalah untuk menjalin hubungan antara aspek dan sentimen melalui jalur terpendek. Nilai dari SDP didapatkan melalui kegiatan unsupervised learning. Langkah pertama dalam menentukan SDP adalah untuk menentukan kata-kata aspek dan sentimen kandidat. Umumnya kata aspek direpresentasikan dalam kata nouns (contoh: “Amazon Echo”, “speaker”) atau pronouns (contoh: “it”) dalam sebuah kalimat. Sehingga semua nouns dan pronouns diperlakukan sebagai kandidat kata aspek. Sementara kata-kata sentimen umumnya berupa adjective (contoh: “good”, “noisy”). Kata-kata sentimen ini kemudian dibandingkan dengan lexicon sentiment untuk menentukan bobot sentimen. Namun dalam studi kasus Tugas Akhir ini, sentimen didapatkan dengan melihat probabilitas seberapa banyak kata-kata sentimen diulang dalam dokumen (ulasan produk). Jumlah SDP yang mungkin terjadi dalam suatu dokumen dapat dihitung dengan mengalikan jumlah kata aspek dengan jumlah kata sentimen yang teridentifikasi pada dokumen sebagaimana yang terlihat pada persamaan 1. Persamaan 2 Formula untuk menghitung Jumlah Shortest Dependency Path pada suatu dokumen

𝑆𝐷𝑃 = 𝑚 × 𝑛

Dimana: SDP = jumlah Shortest Dependency Path dalam dokumen m = jumlah kata aspek teridentifikasi dalam dokumen

49 n = jumlah kata sentimen teridentifikasi dalam dokumen Untuk mengetahui seberapa banyak atau sering SDP muncul dalam suatu dokumen, Xiaolin Zheng et.al. juga mengembangkan parameter ukuran dinamakan Confidence Score (CS). Nilai CS mereperesentasikan seberapa sering SDP muncul dalam suatu jalur dependensi. Nilai CS juga menentukan apakah suatu AEP bermakna atau tidak. Semakin besar nilai CS, maka AEP semakin bermakna. Persamaan 2 menggambarkan notasi untuk menghitung nilai CS. Persamaan 3 Formula untuk menghitung Confidence Score

𝑃(𝑓𝑖 ) =

max{log(𝑓𝑖 ) − log(𝑓𝑡ℎ𝑟 ) , 0} log(𝑓𝑚𝑎𝑥 ) − log(𝑓𝑡ℎ𝑟 )

Dimana: P(fi)

= Confidence Score

fi

= Frekuensi SDP ke i

fmax = Frekuensi SDP maksimal dalam himpunan jalur dependensi fthr = Nilai ambang yang menentukan frekuensi minimal jalur dependensi Dalam persamaan 2, nilai denominator merupakan faktor normalisasi dari fungsi P(fi). Sementara nilai numeratornya merupakan nilai fi dibandingkan dengan nilai fthr. Jika frekuensi fi lebih rendah dari fthr maka SDP ke-i jarang terlihat dalam himpunan jalur dependensi. Untuk menentukan nilai fthr, maka asumsikan nilai P(fi) = 0, kemudian lakukan iterasi. Maka akan di dapat nilai fi. Nilai fi terendah yang kemudian dijadikan nilai ambang.

50 AEP merupakan satuan pengetahuan linguistik yang merangkum ekspresi penilaian atas suatu fitur dari objek yang dibicarakan. AEP terdiri atas dua komponen yang saling berhubungan, yakni 1) SDP yang tidak lain adalah representasi umum tentang bagaimana seseorang mengekspresikan opini terhadap aspek suatu produk atau layanan. Kemudian 2) CS yang mengindikasikan nilai confidence terhadap SDP. Sehingga AEP = <SDP,CS>. AEP-LDA, sebagaimana yang dijelaskan oleh Xiaolin Zheng et.al. merupakan pengembangan dari LDA. Kesamaan AEPLDA dengan LDA terletak pada bahwasannya keduanya melibatkan hubungan dependensi antar kata dan menggunakan informasi POS untuk merepresentasikan asosiasi antara kata aspek dengan kata sentimen. Sementara perbedaan kuncinya adalah sebagai berikut: 1. 2.

AEP diekstrak melalui unsupervised learning, sementara LDA biasa melalui supervised learning. AEP digunakan untuk menganalisa perilaku pelanggan dalam mengekspresikan opini terhadap aspek suatu produk atau jasa. Sementara LDA biasa hanya dapat menentukan aturan gramatikal untuk mengidentifikasi kata fitur dan kata opini dalam kumpulan ulasan pelanggan.

51

Bagan 14 Notasi pelat AEP-LDA (atas) dibandingkan dengan LDA (bawah) [14]

Notasi pelat untuk AEP-LDA adalah sebagaimana yang terlihat pada gambar 12 (atas). Model AEP-LDA merupakan pengembangan dari model LDA. AEP-LDA mengasumsikan bahwa sejumlah T topik aspek dipertimbangkan dalam ulasan masing-masing produk atau layanan, dan pada tiap-tiap topik aspek terdapat beberapa kata-kata konsep aspek yang koheren antara yang satu dengan lainnya. Sebagai contoh kata “Amazon Echo” memiliki topik aspek berupa “voice” dan “price”. Selain itu, masing-masing topik aspek juga berkorespondensi dengan kata-kata sentimen yang mengikuti. Masing-masing topik kata sentimen mengandung kata sentimen yang merujuk pada aspek. Lebih jauh lagi, topik background word juga dipertimbangkan dalam model untuk mengumpulkan background words yang muncul dalam ulasan.

52 Proses generatif daripada model AEP-LDA dapat dijelaskan sebagai berikut: 1. 2. 3.

Untuk setiap dokumen ulasan d: - Sebuah distribusi topik θd ~ Dir(α) dibuat. Untuk setiap kalimat s dalam dokumen d: - Sebuah penugasan topik zd,s ~ Multi(θd) dibuat. Untuk setiap kata n dalam kalimat s dalam dokumen d: - wd,s,n dibuat dalam basis fd,s,n.

Persamaan 4 Persamaan Multinomial untuk distribusi kata dalam kalimat s dalam dokumen d

𝑀𝑢𝑙𝑡𝑖(∅𝐵 ), 𝑗𝑖𝑘𝑎 𝑓𝑑,𝑠,𝑛 = 0 𝑤𝑑,𝑠,𝑛 ~ {𝑀𝑢𝑙𝑡𝑖(∅𝑡𝐴), 𝑗𝑖𝑘𝑎 𝑓𝑑,𝑠,𝑛 = 1 𝑀𝑢𝑙𝑡𝑖(∅𝑂 𝑡 ), 𝑗𝑖𝑘𝑎 𝑓𝑑,𝑠,𝑛 = 2 Setiap kata dalam kalimat s dalam dokumen d bisa jadi berupa kata-kata aspek, kata-kata sentimen, atau background words. Sehingga fd,s,n dibuat untuk setiap kata wd,s,n untuk menentukan tipe wd,s,n. fd,s,n dibuat dari distribusi multinomial dari himpunan {0,1,2} dimana elemen 0,1,2 masing-masing merepresentasikan background words, kata aspek, dan kata sentimen. Karena setiap kata aspek berupa kata benda (nouns) sementara kata sentimen merupakan kata sifat (adjective), maka perlu diketahui hubungan dependensi untuk setiap kata aspek dan kata sentimen yang muncul. Untuk semua kalimat dalam dokumen, semua pasangan kata noun-adjective diekstrak sebagai tuple (baris) aspek-opini yang dinotasikan dengan t=, dimana n atau h dapat berupa kandidat kata aspek atau kandidat kata sentimen. Sebuah kalimat dapat memiliki lebih dari satu tuple aspek-opini, dan sebuah kata dalam kalimat dapat muncul dalam lebih dari satu kandidat tuple aspek-opini. Notasi matematika untuk batasan di

53 atas adalah sebagaimana yang digambarkan dalam persamaan 4, 5, dan 6. Persamaan 5 Probabilitas kata aspek

𝑃(𝑓𝑑,𝑠,𝑛 = 1|𝐴𝐸𝑃) ∞ max{𝐶𝑆|𝑆𝐷𝑃ℎ𝑛 } Persamaan 6 Probabilitas kata opini

𝑃(𝑓𝑑,𝑠,𝑛 = 2|𝐴𝐸𝑃) ∞ max{𝐶𝑆|𝑆𝐷𝑃𝑛ℎ } Persamaan 7 Probabilitas background words 𝑃(𝑓𝑑,𝑠,𝑛 = 0|𝐴𝐸𝑃) ∞ 1 − max{𝑃(𝑓𝑑,𝑠,𝑛 = 1|𝐴𝐸𝑃), 𝑃(𝑓𝑑,𝑠,𝑛 = 2|𝐴𝐸𝑃) }

Dimana: 𝑆𝐷𝑃ℎ𝑛 = SDP antara kata ke-n (kandidat kata sentimen) dan kata ke-h (kandidat kata aspek) dalam kalimat s dalam dokumen d. 𝑆𝐷𝑃𝑛ℎ = SDP antara kata ke-h (kandidat kata aspek) dan kata ke-n (kandidat kata sentimen) dalam kalimat s dalam dokumen d. 2.2.9. Gibbs Sampling Gibbs sampling adalah algoritma Markvov chain Monte Carlo untuk memperoleh sampel dari distribusi probabilitas multivariat. Gibbs sampling mengambil sampel untuk membangkitkan nilai sampel berikutnya secara acak. Tujuan utama dari implementasi Gibbs sampling adalah untuk menemukan bentuk distribusi univariat. Dengan kata lain, setelah beberapa kali iterasi melalui rantai distribusi, sampling dari distribusi tersebut akan mendekati dengan posterior yang diinginkan. Sebagai contoh, untuk melakukan sampling terhadap nilai x pada distribusi p(x) = p(x1, ...., xm), dimana tidak ada solusi utuh untuk p(x) namun terdapat hasil yang representatif, maka hasil

54 tersebut dapat ditemukan dengan menggunakan Gibbs Sampling dengan langkah-langkah sebagai berikut. 1. Buat variabel xi secara acak. 2. Untuk t = 1, ..., T: (𝑡) (𝑡) (𝑡) 2.1. 𝑥1𝑡+1 ~𝑝(𝑥1 |𝑥2 , 𝑥3 , … , 𝑥𝑚 (𝑡+1)

2.2.

𝑥2𝑡+1 ~𝑝(𝑥2 |𝑥1

2.3.

𝑡+1 ~𝑝(𝑥 |𝑥 𝑥𝑚 𝑚 1

(𝑡)

(𝑡)

, 𝑥3 , … , 𝑥𝑚

(𝑡+1)

(𝑡+1)

, 𝑥2

(𝑡+1)

, … , 𝑥𝑚−1

Prosedur ini diulang hingga nilai sample mendekati nilai distribusi sebenarnya. Dalam kasus LDA, nilai yang ingin diuji adalah porsi dokumen topik (θd), distribusi topik-kata φ(z), dan penugasan topik untuk tiap kata zi. Rumus dari permasalahan LDA diturunkan menurut batasan Gibbs Sampling dan hasilnya adalah sebagai berikut: Masukkan: kata w dalam dokumen d Luaran: penugasan topik z dan jumlah nd,k, nk,w, nk. Mulai: Buat z secara acak dan naikkan variabel increment Untuk setiap iterasi, lakukan Word <- w[i] Topik <- z[i] nd,topic = 1; nword,topic = 1; ntopic = 1 Untuk k = 0 -> K-1, lakukan p(z=k) = (nd,k + αk)

𝑛𝑘,𝑤+𝛽𝑤

𝑛𝑘 +𝛽×𝑊

55

Selesai Topic <- sample dari p(z) Z[i] <- Topic nd,topic += 1; nword,topic += 1; ntopic += 1 Selesai Return z, nd,k, nk,w, nk. Selesai Bagan 15 Pseudo-code untuk Gibbs Sampling

2.2.10.

ICONIX

ICONIX merupakan metodologi pengembangan perangkat lunak yang mengakomodasi teknik Rational Unified Process, Extreme Programming, dan pengembangan perangkat lunak secara Agile [33]. ICONIX menekankan analisis robustness, sebuah metode untuk menjembatani kesenjangan antara proses analisis dan desain. Analisis robustness bertujuan untuk mengurangi keambiguitas dalam deskripsi use case. Proses-proses yang terkandung dalam ICONIX terbagi ke dalam 4 tahapan yakni mengulas kebutuhan, mengulas desain awal, mengulas desain yang telah di detailkan, dan tahap pengembangan. Adapun penjelasan dari 4 tahapan tersebut adalah sebagai berikut.

56

Bagan 16 Proses dalam ICONIX [33]

2.2.10.1.

Mengulas Kebutuhan

Tahapan ini merupakan langkah awal dalam pengembangan perangkat lunak dimana kebutuhan akan digali dan di analisa. Hasil dari penggalian kebutuhan berupa domain model dan prototipe antara muka sistem. Prototipe antar muka dibuat untuk memudahkan proses pembuatan domain model dan use case. Domain model dapat digunakan untuk mengembangkan use case. Use case dikembangkan dengan mengidentifikasi aktor dan use case bisnis. 2.2.10.2.

Mengulas Desain Awal

Setelah use case berhasil diidentifikasi, penjelasan mengenai use case bagaimana pengguna dengan sistem berinteraksi. Untuk menjembatani antara kebutuhan analisis dengan desain, maka digunakan analisa robustness. Analisa robustness digunakan untuk menemukan potensi kesalahan dalam deskripsi use case, kemudian domain model akan diperbaharui

57 untuk setiap kesalahan deskripsi use case yang teridentifikasi. Deskripsi use case digunakan untuk mengidentifikasi bagaimana pengguna berinteraksi dengan sistem. Deskripsi use case digunakan developer sebagai acuan yang ditujukan pada pelanggan dan memverifikasi analisis kebutuhannya sudah benar. 2.2.10.3.

Mengulas Desain yang Didetailkan

Pada tahapan ini, domain model dan deskripsi use case dari langkah mengulas desain awal digunakan sebagai acuan dalam mendesain sistem yang akan dibangun. Domain model digunakan untuk membuat class diagram, sementara deskripsi use case digunakan untuk mengembangkan sequence diagram. 2.2.10.4.

Pengembangan Perangkat Lunak

Unit test akan dibuat untuk menguji sistem agar sesuai dengan use case yang telah dibuat. Terakhir kode program dibuat dengan mengacu pada class dan sequence diagram.

58 Halaman ini sengaja dikosongkan

BAB III METODOLOGI Metodologi merupakan sebuah tahapan dalam penyelesaian permasalahan pada tugas akhir ini. Metodologi dapat digunakan sebagai panduan pengerjaan tugas akhir agar dapat diselesaikan secara terarah, teratur, dan sistematis. Gambar berikut merupakan bagan dari metodologi tugas akhir ini: Mulai

Tahapan Studi Literatur

Studi terdahulu

A

Mengkaji metode pengambilan data

Teknik pengambilan data

B

Mengkaji metode pemrosesan data

Teknik Pemrosesan data

C

Mengkaji metode ekstraksi fitur dan opini

59

Teknik ekstraksi fitur dan opini

Tahapan Ekstraksi Fitur dan Opini

Tahapan Preproses Data

Tahapan Pengambilan Data

60

Menentukan data yang perlu diambil

A

Pengambilan Data

Metadata ulasan

B

Data ulasan

Basis data ulasan

Tokenisasi Sentence Split

Data ulasan yang telah di anotasi

POS Tagging

Menghitung probabilitas kata aspek Menghitung probabilitas kata opini Menghitung probabilitas background words

C

Menentukan hubungan dependensi antar kata

Probabilitas AEP

61

Storyboarding

Tahapan Rancang Bangun Prototipe

Visualisasi Data Ulasan

Pengujian Usability

N

Hasil Pengujian Usabilitas rendah?

Y Selesai

Bagan 17 Metodologi Tugas Akhir

62

3.1.

Tahapan Studi Literatur

Tahapan ini dilakukan untuk melakukan kajian atas tiga tugas utama dalam melakukan pemodelan topik pada studi kasus ulasan produk di situs Amazon.com. Kajian dilakukan dengan melihat dari berbagai penelitian sebelumnya terkait dengan masing-masing tugas. Tugas tersebut antara lain adalah sebagai berikut. 3.1.1.

Mengkaji Metode Pengambilan Data

Metode pengambilan data pada situs web sangat beragam, sehingga segala teknik yang digunakan untuk melakukan pengambilan data baik secara manual (tanpa otomasi) maupun dengan teknik yang terotomasi. Selanjutnya semua teknik dirangkum sebagai kumpulan teknik pengambilan data untuk dikaji lebih lanjut terhadap studi kasus yang akan dilakukan, yakni pengambilan data pada situs belanja online Amazon.com. 3.1.2.

Mengkaji Metode Pemrosesan Data

Metode pemrosesan data dilakukan untuk mengolah data agar dapat lebih mudah diolah dan juga dapat menghasilkan hasil analisa yang lebih akurat. Metode pemrosesan data sangat beragam, namun untuk studi kasus pada Tugas Akhir ini dititik beratkan pada teknik Part of Speech Tagging. Teknik tersebut kemudian dirangkum sebagai teknik pemrosesan data untuk dikaji lebih lanjut terhadap studi kasus yang akan dilakukan, yakni pemrosesan data pada situs belanja online Amazon.com. 3.1.3.

Mengkaji Metode Ekstraksi Fitur dan Opini

Metode ekstraksi fitur dan opini dilakukan untuk memperoleh topik apa sajakah yang dibicarakan oleh konsumen seputar aspek produk beserta sentimen konsumen terhadap aspek yang

63 dibicarakan. Metode pemrosesan data sangat beragam, namun untuk studi kasus pada Tugas Akhir ini dititik beratkan pada algoritma Latent Dirichlet Allocation beserta cara implementasinya. Teknik tersebut kemudian dirangkum sebagai teknik ekstraksi fitur dan opini untuk dikaji lebih lanjut terhadap studi kasus yang akan dilakukan, yakni ekstraksi fitur dan opini ulasan produk oleh pelanggan pada situs belanja online Amazon.com.

3.2.

Tahapan Pengambilan Data

Tahapan ini dimulai dengan mempelajari kajian yang ada kemudian mulai menentukan data apa saja yang perlu diambil. Data yang perlu diambil kemudian didokumentasikan dalam bentuk metadata yang akan digunakan sebagai acuan dalam pengambilan data sekaligus membantu dalam perancangan basis data ulasan. Hasil pengambilan data berupa data ulasan akan ditampung dalam basis data ulasan yang telah dirancang sebelumnya.

3.3.

Tahapan Preproses Data

Tahapan ini dilakukan untuk mengetahui Part of Speech suatu kata. Tujuannya adalah untuk memahami hubungan antar kata dalam suatu kalimat sekaligus menghilangkan kata-kata yang tidak diperlukan. Kata-kata yang tidak diperlukan merupakan kata selain kata benda, kata sifat, dan kata kerja. Hal tersebut ditetapkan demikian mengingat kata aspek pada umumnya merupakan kata benda atau kata ganti benda, sementara kata opini biasanya berupa kata sifat. Tahapan ini dimulai dengan mempelajari kajian yang sudah dilakukan pada tahapan sebelumnya. Kemudian melakukan tokenisasi untuk setiap data yang muncul ke dalam bentuk kata per kata. Sentence split juga dilakukan karena masukkan dari fungsi LDA salah satunya berupa dokumen yang dipecah dalam bentuk kalimat per

64 kalimat. Selanjutnya POS tagging dilakukan per token yang teridentifikasi. Data ulasan yang dianotasi digunakan sebagai masukkan pada tahapan berikutnya, yakni tahapan ekstraksi fitur dan opini.

3.4.

Tahapan Ekstraksi Fitur dan Opini

Tahapan ini dilakukan untuk mengetahui fitur apa sajakah yang dibicarakan pelanggan. Setelah mendapatkan data ulasan yang telh dianotasi dan mempelajari kajian mengenai teknik ekstraksi fitur dan opini, maka langkah selanjutnya adalah menghitung probabilitas kata aspek, kata opini, dan background words. Kemudian hasilnya adalah probabilitas Appraisal Expression Pattern (AEP), yakni probabiltas linguistik yang digunakan untuk mengetahui fitur apa saja yang dibicarakan oleh pelanggan terhadap aspek suatu produk berikut sentimen dari aspek yang dibicarakan pelanggan.

3.5.

Tahapan Rancang Bangun Prototipe

Setelah menyelesaikan hasil analisis, maka langkah selanjutnya adalah perlu membuat prototipe sistem e-commerce sederhana yang spesifik terhadap fungsi menampilkan ulasan. Tujuan utama dari Tugas Akhir ini adalah untuk memberikan pengalaman menganalisis produk yang baru dan lebih efisien. Sistem memaparkan kata kunci yang paling sering dibicarakan oleh konsumen terhadap suatu produk sehingga mereka dapat mendapatkan gambaran umum produk alih-alih membaca review secara satu per satu. Prototipe dibuat dengan membuat draft antar muka pengguna kemudian membuat use case sesuai dengan antar muka yang teridentifikasi hingga membuat class diagram. Luaran dari tahapan rancang bangun prototipe adalah aplikasi sistem ecommerce yang mampu menampilkan aspek berikut opini pelanggan terhadap aspek yang dibicarakan terhadap suatu

65 produk pada ulasan di situs e-commerce. Selanjutnya, aplikasi akan diuji usabilitasnya. Apabila hasil ujian usabilitas lebih rendah dari yang diharapkan maka desain akan diubah sesuai dengan harapan pelanggan. Namun dalam konteks tugas akhir ini, hasil pengujian usabilitas akan digunakan sebagai bahan evaluasi perbaikan sistem di masa yang akan datang.

66 Halaman ini sengaja dikosongkan

BAB IV ANALISIS DAN PERANCANGAN 4.1.

Pengambilan Data

Untuk melakukan proses pengambilan data, perlu diketahui karakteristik situs yang akan di-scraping. Selanjutnya menentukan metadata apa saja yang perlu dicantum untuk menyimpan data-data ulasan yang dibutuhkan. Metadata ulasan tersebut yang akan dijadikan acuan dalam melakukan scraping data berikut pengembangan basis data ulasan. Gambar 16 menerangkan metodologi pengambilan data ulasan.

Identifikasi karakteristik situs • Layout situs • Posisi data dalam dokumen HTML

Menentukan metadata ulasan

Menampung data ke dalam basis data ulasan

• Scraping data • Membuat basis data ulasan

Bagan 18 Metodologi Pengambilan Data Ulasan

4.1.1.

Identifikasi Karakteristik Situs

Pengambilan data dilakukan dengan teknik web scraping yang melibatkan HTML dan DOM parsing. Hal ini dikarenakan Amazon.com tidak memiliki API yang dapat diakses oleh siapapun. Untuk memiliki API Amazon, pengembang harus mendaftar sebagai partner Amazon. Pengambilan data dilakukan terhadap ulasan yang ditulis oleh pelanggan pada suatu produk di situs marketplace terkemuka Amazon.com. 67

68 Tabel 9 menjelaskan detail produk yang ulasannya akan diambil. Tabel 9 Deskripsi Produk

Aspek

Deskripsi

Nama Produk

Amazon Echo - Black

Produsen

Amazon

Kategori

Home Audio Speakers

URL Produk

https://www.amazon.com/Amazon-EchoBluetooth-Speaker-with-WiFi-Alexa/productreviews/B00X4WHP5E/ref=cm_cr_arp_d_view opt_rvwer?ie=UTF8&reviewerType=all_review s&showViewpoints=1&sortBy=helpful&pageNu mber=1

Jumlah review

48.998

Rating

4.4 dari 5

Produk Amazon Echo diambil sebagai contoh dari studi kasus ini karena selain ulasan yang dibuat oleh pengguna cukup banyak, masih banyak orang yang belum memahami produk amazon echo secara keseluruhan. Kelima responden yang menjadi subjek pengujian usabilitas kesemuanya juga tidak memiliki pengetahuan mengenai produk Amazon Echo. Untuk melakukan proses pengambilan data dari ulasan menggunakan teknik HTML dan DOM parsing, perlu dipahami susunan atau tata letak dokumen HTML dari situs web yang dimaksud. Gambar 17 menerangkan tampilan dari halaman ulasan produk pada situs Amazon.com.

69 4.1.2.

Menentukan Metadata Ulasan

Langkah selanjutnya adalah menentukan DOM atau tag-tag HTML tempat melekatnya data yang diperlukan sesuai dengan metadata yang dibuat. Tabel 10 merupakan metadata ulasan yang dikembangkan berdasarkan halaman ulasan produk. Tabel 10 Metadata ulasan

Attribut

Deskripsi

Judul Ulasan

Judul ulasan produk yang ditulis pelanggan. Berisikan keterangan ulasan singkat pelanggan

Pengulas

Username pengulas yang memberikan ulasan pada produk

Tanggal Produk Diulas

Tanggal ulasan dibuat

Rating Ulasan

Nilai/skor rating produk per ulasan

Pengulas merupakan terverifikasi

pembeli

Pembeli yang terverifikasi memiliki label verified user. Diasumsikan bahwa verified user memiliki ulasan yang berdampak signifikan terhadap sentimen suatu produk

Detail Ulasan

Berisikan detail ulasan yang dituliskan pengulas. Berisi tentang keluhan, kekurangan, maupun kelebihan produk.

Sentimen Ulasan

Apakah ulasan memiliki sentimen positif atau negatif

Berdasarkan metadata yang ditetapkan, identifikasi tag-tag HTML atau DOM pada situs untuk mengambil data sesuai

70 keperluan. Tabel 11 memaparkan pemetaan antara tag HTML DOM dengan metadata yang telah dibuat. Tabel 11 Pemetaan Metadata Ulasan dengan Tag HTML DOM

Attribut

Tag HTML

Judul Ulasan

...

Pengulas

...

Tanggal Produk Diulas

<span data-hook="review-date" class="a-size-base a-colorsecondary reviewdate"> ...

Rating Ulasan

<span class="a-icon-alt"> ...

Pengulas merupakan pembeli terverifikasi

<span data-hook="avp-badge" class="a-size-mini a-colorstate a-textbold"> ...

71 Attribut

Tag HTML

Detail Ulasan

<span data-hook="review-body" class="a-size-base reviewtext"> ... <span>

Sentimen Ulasan

Didapat dari query berdasarkan URL https://www.amazon.com/{nama-produk}/productreviews/{kode-ASIN} /?reviewerType=all_reviews &pageNumber=1& filterByStar=positive

Bagan 19 Tampilan halaman ulasan produk pada situs Amazon

72 4.1.3.

Perancangan Basis Data Ulasan

Setelah mengetahui data ulasan apa saja yang ingin diolah, selanjutnya dilakukan proses perancangan basis data ulasan untuk menampung data-data ulasan yang diperlukan untuk kebutuhan analisis lebih lanjut. Berikut adalah skema basis data untuk menampung hasil web scraping terhadap data ulasan produk di situs Amazon.com. Tabel 12 Deskripsi Tabel Ulasan

Tabel: Review Attribut

Tipe Data

Deskripsi

Review_title

VARCHAR(100)

Judul ulasan produk yang ditulis pelanggan. Berisikan keterangan ulasan singkat pelanggan

Review_title-href

VARCHAR(100)

Link judul review

Reviewer

VARCHAR(100)

Username pengulas yang memberikan ulasan pada produk

Reviewer-href

VARCHAR(100)

Link profil pengulas

Review_date

VARCHAR(100)

Tanggal ulasan dibuat

Rating_value

VARCHAR(100)

Nilai/skor rating produk per ulasan

Review_verified

VARCHAR(100)

Pembeli yang terverifikasi memiliki label verified user. Diasumsikan bahwa verified user memiliki ulasan yang

73 Tabel: Review Attribut

Tipe Data

Deskripsi berdampak signifikan terhadap sentimen suatu produk

Review_detail

TEXT

Berisikan detail ulasan yang dituliskan pengulas. Berisi tentang keluhan, kekurangan, maupun kelebihan produk.

Sentiment

VARCHAR(45)

Apakah ulasan memiliki sentimen positif atau negatif

4.2.

Preproses Data

Standford NLP, selain tersedia dalam bentuk source code, juga tersedia service sebagaimana yang ada pada http://nlp.stanford.edu:8080/corenlp/. Dalam tugas akhir ini, tahap preproses data akan dijalankan bersamaan dengan tahapan ekstraksi fitur dan opini. Sehingga service Standford NLP akan diintegrasikan ke dalam sistem visualisasi ekstraksi fitur dan orientasi opini. Gambar 20 adalah aristektur integrasi antara sistem Standford NLP dengan aplikasi sistem ekstraksi fitur dan orientasi opini.

4.3.

Ekstraksi Fitur dan Opini Produk

Ekstraksi fitur dan opini dilakukan dengan mengimplementasikan LDA ke dalam kode program. LDA memiliki tiga parameter utama, yakni dokumen yang akan di proses, jumlah topik yang teridentifikasi dalam dokumen, dan jumlah kata kunci yang ingin ditampilkan. Salah satu

74 kelemahan dalam metode LDA adalah bahwa seseorang perlu menentukan jumlah topik yang ingin ditampilkan.

Bagan 20 Arsitektur Sistem Ekstraksi Fitur dan Orientasi Opini

LDA memiliki proses generatif sebagai berikut. 1. Untuk setiap dokumen w dalam korpus D a. Pilih N ~ Poisson(ξ) b. Pilih θ ~ Dir(α) 2. Untuk setiap N kata dalam dokumen wn: a. Pilih topik zn ~ Multinomial(θ). b. Pilih kata wn dari p( wn | zn, β ) Bentuk implementasi dari algoritma LDA adalah terlihat sebagaimana pada gambar.

75

Algoritma LDA Mulai

Dokumen, jumlah topik, jumlah term, alpha, beta, random seed Lakukan Gibbs Sampling

Untuk setiap dokumen d dan kata w Lakukan Sampling Full Conditional Penugasan topik per kata per dokumen Menampilkan probabiltas kata per topik Selesai Bagan 21 Diagram Alir Algoritm LDA

76

4.4.

Rancang Bangun Prototipe

Sesuai dengan tahapan ICONIX, hal pertama yang akan dibuat adalah antar muka pengguna, kemudian diturunkan menjadi use case diagram. Selanjutnya class diagram dibuat dari hasil penurunan use case diagram dari antar muka pengguna yang telah dibuat. Karena sistem ini merupakan pengembangan yang sifatnya memberikan nilai tambah bagi pengguna, maka kebutuhan didasarkan pada studi terkait pemodelan topik dan manfaatnya apabila diimplementasikan pada kasus nyata. 4.4.1.

Antar Muka Pengguna

Berikut ini adalah desain antar muka pengguna. Antar muka pengguna yang dibuat terdiri dari tiga antar muka antara lain halaman pencarian, halaman daftar produk, dan halaman detail produk. Untuk setiap antar muka pengguna yang dibuat, akan dijadikan acuan dalam mengembangkan use case. 4.4.1.1.

Halaman Pencarian

AmazoLDA Sistem ekstraksi fitur dan opini untuk pengambilan keputusan pembelian pelanggan. Masukkan Kata Kunci

Cari

Bagan 22 Antar Muka Halaman Pencarian

77 Halaman pada gambar 21 merupakan tampilan awal dari sistem AmazoLDA, nama aplikasi untuk sistem ekstraksi fitur dan opini untuk pengambilan keputusan pembelian pelanggan. Pengguna memasukkan kata kunci untuk menemukan barang dan klik cari untuk mencari barang yang ingin dicari dan dilihat lebih lanjut. 4.4.1.2.

Halaman Daftar Produk

amazoLDA Home About FAQ

Kata Kunci ffffffffffff

Search “Kata Kunci”

Gambar

Amazon Echo-Black $179.99

Gambar

Amazon Echo-White $179.99

Bagan 23 Halaman Daftar Produk

Halaman pada gambar 22 merupakan tampilan untuk menampilkan daftar barang sesuai dengan kata kunci pencarian. Data yang ditampilkan antara lain daftar produk berupa gambar, nama produk, dan harga produk. Pengguna dapat memilih produk yang dimaksud untuk dilihat detailnya lebih lanjut. Pengguna juga dapat mencari produk lain berdasarkan kata kunci apabila belum menemukan barang yang dimaksud. Kemudian menu navigasi dibuat untuk kembali ke halaman pencarian, menuju ke halaman tentang aplikasi, dan menuju ke halaman FAQ.

78 4.4.1.3.

Halaman Detail Produk

amazoLDA Home About FAQ

Kata Kunci ffffffffffff

Amazon Echo-Black $179.99 Probabilitas Kata Dalam Ulasan

Gambar

6

4,3

4

2,5

3,5

4,5

2 0 Sound

Voice

Great

Clear

4.4 out of 5 stars | Four Stars Miss Frizzle on June 7, 2016 Verified Purchase With the Echo there's a lot more music in my home.

Bagan 24 Halaman Detail Produk

Halaman pada gambar 23 merupakan tampilan untuk menampilkan detail produk yang dipilih dari halaman daftar produk. Informasi produk seperti gambar, nama produk dan harga akan ditampilkan berikut hasil analisis dengan LDA. Wujudnya berupa grafik batang yang menampilkan kata kunci yang paling sering dibicarakan dalam ulasan produk.

4.4.2.

Use Case

Use case dibuat berdasarkan antar muka dan rancangan arsitektur integrasi sistem sebagaimana yang dibuat pada bab 4.2. Preproses data. Berikut ini adalah use case sistem secara keseluruhan.

Bagan 25 Use Case Diagram untuk Sistem Ekstraksi Fitur dan Orientasi Opini

79

4.4.2.1.

Daftar Use Case

Tabel 13Daftar Use Case Sistem Ekstraksi Fitur dan Orientasi Opini Kode UCC-1 UCC-2 UCC-3 UCC-4 UCS-1

4.4.2.2.

Aktor Customer Customer Customer Customer Standford NLP

Nama Mencari Produk Melihat Detail Produk Melihat Fitur dan Opini Melihat Ulasan Melakukan POS Tagging

Deskripsi Use Case

A. UCC-1: Mencari Produk Normal Flow: User mencari produk berdasarkan kata kunci kemudian mengklik tombol cari. User kemudian diarahkan ke halaman daftar produk dan melihat daftar produk berdasarkan kata kunci yang ingin dicari. Alternate Flow: Produk yang dicari tidak ditemukan dalam database:

-

Sistem menampilkan pesan error bahwa produk tidak dapat ditemukan

B. UCC-2: Melihat Detail Produk Normal Flow: User mengklik produk untuk melihat detail produk pada halaman detail produk. Selanjutnya, user akan diarahkan pada halaman detail produk. Alternate Flow: Produk yang dilihat tidak memiliki ulasan yang cukup banyak sehingga sistem LDA tidak dapat berjalan sebagaimana mestinya.

-

Sistem menampilkan pesan error bahwa ulasan terlalu sedikit pada chart.

80

81 C. UCC-3: Melihat Fitur dan Opini Normal Flow: Pada halaman detail produk, user melihat grafik yang menampilkan fitur yang sering dibicarakan serta sentimen yang dibicarakan pada produk. Sistem mengkalkulasi probabilitas kata yang paling sering muncul dengan menggunakan algoritma Latent Dirichlet Allocation. Alternate Flow: Produk yang dilihat tidak memiliki ulasan yang cukup banyak sehingga sistem LDA tidak dapat berjalan sebagaimana mestinya.

-

Sistem menampilkan pesan error bahwa ulasan terlalu sedikit pada chart.

D. UCC-4: Melihat Ulasan Normal Flow: Pada halaman detail produk, user melihat daftar ulasan yang ditulis oleh pelanggan lain. Daftar ulasan akan menampilkan judul ulasan, nama pengulas, tanggal ulasan dibuat, user terverifikasi, dan detail ulasan Alternate Flow: Ulasan tidak dapat ditemukan

-

Sistem menampilkan pesan error bahwa ulasan tidak ditemukan untuk produk tersebut.

E. UCS-1: Melakukan POS Tagging Normal Flow: Pada halaman detail produk, sistem akan melakukan analisis LDA, namun sebelum itu, data ulasan juga akan dilakukan POS Tagging untuk membedakan mana yang kata sentimen dan mana yang kata opini.

82 4.4.3.

Domain Model

Bagan 26 Domain model untuk aplikasi AmazoLDA

4.4.4.

Robustness Diagram

Robustness diagram dibuat untuk mempermudah proses translasi dari use case menjadi sequence diagram. Tabel 14 menunjukan pemetaan use case dengan robustness analysis. Berikut ini adalah diagram robustness untuk masing-masing use case yang teridentifikasi. Tabel 14 Pemetaan Robustness Analysis dengan Use Case Robustness Analysis RBUCC-1 RBUCC-2 RBUCC-3 RBUCC-4 RBUCS-1

Use Case UCC-1 UCC-2 UCC-3 UCC-4 UCS-1

83 4.4.4.1.

Analisis Robustness UCC-1 Mencari Produk (RBUCC-1)

Bagan 27 Robustness Analysis untuk UCC-1 Mencari Produk

84 4.4.4.2.

Analisis Robustness UCC-2 Melihat Detail Produk (RBUCC-2)

Bagan 28 Robustness Analysis untuk UCC-2 Melihat Detail Produk

85 4.4.4.3.

Analisis Robustness UCC-3 Melihat Fitur dan Opini (RBUCC-3)

Bagan 29 Robustness Analysis untuk UCC-3 Melihat Fitur dan Opini

86 4.4.4.4.

Analisis Robustness UCC-4 Melihat Ulasan (RBUCC-4)

Bagan 30 Robustness Analysis untuk UCC-4 Melihat Ulasan

87 4.4.4.5.

Analisis Robustness UCS-1 Melakukan POS Tagging (RBUCS-1)

Bagan 31 Robustness Analysis untuk UCS-1 Melakukan POS Tagging

88 4.4.5.

Sequence Diagram

Robustness diagram dibuat untuk mempermudah proses translasi dari use case menjadi sequence diagram. Tabel 14 menunjukan pemetaan use case dengan robustness analysis. Berikut ini adalah diagram robustness untuk masing-masing use case yang teridentifikasi. Tabel 15 Pemetaan Robustness Analysis dengan Sequence Diagram Robustness Analysis RBUCC-1 RBUCC-2 RBUCC-3 RBUCC-4 RBUCS-1

4.4.5.1.

Sequence Diagram SQRBUCC-1 SQRBUCC-2 SQRBUCC-3 SQRBUCC-4 SQRBUCS-1

Sequence Diagram RBUCC-1 Mencari Produk (SQRBUCC-1)

Bagan 32 Sequence Diagram untuk Robustness RBUCC-1 Mencari Produk

89 4.4.5.2.

Sequence Diagram RBUCC-2 Melihat Detail Produk (SQRBUCC-2)

Bagan 33 Sequence Diagram untuk Robustness RBUCC-2 Melihat Detail Produk

90 4.4.5.3.

Sequence Diagram RBUCC-3 Mencari Fitur dan Opini (SQRBUCC-3)

Bagan 34 Sequence Diagram untuk Robustness RBUCC-3 Mencari Fitur dan Opini

91 4.4.5.4.

Sequence Diagram RBUCC-4 Melihat Ulasan (SQRBUCC-4)

Bagan 35 Sequence Diagram untuk Robustness RBUCC-4 Melihat Ulasan

92 4.4.5.5.

Sequence Diagram RBUCS-1 Melakukan POS Tagging (SQRBUCS-1)

Bagan 36 Sequence Diagram untuk Robustness RBUCS-1 Melakukan POS Tagging

93 4.4.6.

Class Diagram

Bagan 37 Class Diagram aplikasi AmazoLDA

94 Halaman ini sengaja dikosongkan

BAB V IMPLEMENTASI 5.1.

Lingkungan Implementasi

Pada pengembangan aplikasi,peneliti menggunakan perangkat keras dengan spesifikasi seperti pada Tabel 14. Sedangkan untuk perangkat lunak yang digunakan dalam pengembangan aplikasi adalah seperti pada Tabel 15. Tabel 16 Spesifikasi Perangkat Keras Perangkat Keras Laptop

Spesifikasi Prosesor: Intel® CoreTM 2630QM CPU @ 2.00 GHz RAM: 4GB Sistem Operasi Windows 8

i7-

Tabel 17 Spesifikasi Perangkat Lunak Perangkat Lunak Web Server Database Server Bahasa Framework Editor

5.2.

Spesifikasi NodeJS v6.9.2. MySQL Javascript (Node JS) Express JS, Standford NLP Visual Studio Code

Struktur Direktori

Berikut ini adalah struktur direktori untuk pengembangan aplikasi sistem ektraksi fitur dan orientasi opini pada produk situs e-commerce.

95

96

Bagan 38 Struktur Direktori Aplikasi

5.3.

Pengambilan Data

Setelah menentukan metadata ulasan berikut tag-tag HTML DOM yang perlu dirujuk, maka selanjutnya data diambil dengan melakukan web scraping pada URL ulasan produk. Web scraping dilakukan dengan menggunakan Request, sebuah library NodeJS dan cheerio, library NodeJS untuk HTML dan DOM Parsing. Proses dilakukan dengan melakukan request ke URL. Hasil nilai kembalian dari URL tersebut adalah berupa dokumen HTML. Selanjutnya data-data yang diperlukan diambil dengan melakukan filtrasi sesuai dengan tag-tag HTML atau DOM. Gambar 19 menunjukan alur proses web scraping dengan NodeJS.

97

Proses Web Scraping Mulai

URL Ulasan

Melakukan web scraping

!error && respon.code == 200 Menampilkan pesan Error

Dokumen HTML HTML/DOM Parsing

Basis Data

Data Ulasan Memberhentikan proses scraping Selesai Bagan 39 Diagram Alir Proses Web Scrapinge

98 // Prerequisite modules var request = require('request'); var cheerio = require('cheerio'); var mysql = require('mysql'); // Scrapper Global Variable var scrapper = {}; var productName; var customerName; var reviewDate; var reviewTitle; var reviewDetails; var verifiedPurchase; var reviewSentiment; var reviewRatings; var sen = 'positive'; // change it with 'positive' or 'critical' // Mysql Configuration var connection = mysql.createConnection({ host : 'localhost', user : 'root', password : '', database : 'amazolda' }); Bagan 40 Konfigurasi MySQL

Kode pada gambar 22 merupakan konfigurasi untuk koneksi database dan menentukan variabel global dari Class scrapper.js. Class scrapper.js memiliki dependensi antara lain request untuk mendapat data dokumen HTML pada URL yang dituju, cheerio untuk melakukan parsing terhadap dokumen HTML yang telah diambil melalui modul request, dan terakhir modul MySQL untuk melakukan penyimpanan dalam database. 5.3.1.

Mendapatkan jumlah paginasi pada halaman ulasan

var url = 'https://www.amazon.com/Amazon-Echo-Bluetooth-Speakerwith-WiFi-Alexa/productreviews/B00X4WHP5E/ref=cm_cr_arp_d_paging_btm_1?ie=UTF8&rev iewerType=all_reviews&showViewpoints=1&sortBy=recent&pageNum ber=1&filterByStar='+sentiment+''

99 /** * Get Page Number and save the review into database * * @param {any} sentiment * @param {any} callback */ scrapper.getReview = function (sentiment,callback) { request(url, function (error, response, html) { if (!error && response.statusCode == 200) { var $ = cheerio.load(html); var pageNum = $('li.page-button').children().last().text(); return callback(pageNum); } }); } Bagan 41 Kode untuk mendapatkan jumlah paginasi pada halaman ulasan

Kode pada gambar 21 digunakan untuk mendapatkan jumlah paginasi pada halaman ulasan. Semua ulasan pada produk akan diambil untuk kemudian ditampung ke dalambasis data ulasan. Namun karena sistemsitus web Amazon.com menggunakan paginasi pada halaman ulasannya, maka perlu dilakukan scraping dengan teknik paginasi. Untuk itulah metode ini diperlukan untuk mendapatkan jumlah halaman paginasi pada halaman ulasan. Metode ini menerima input berupasentimen dan fungsi callback. Sementara kembalian dari fungsi ini adalah berupa jumlah halaman paginasi pada halaman ulasan suatu produk. 5.3.2.

Melakukan Scraping dan Menyimpan hasil Scraping ke dalam basis data ulasan

Kode pada gambar 22 akan melakukan scraping sejumlah halaman paginasi yang telah diambil melalui fungsi getReview. Fungsi getReview memiliki dua parameter, yakni sentimen untuk menentukan mana review yang bersifat positif mana yang bersifat negatif (amazon.com telah melakukan pemilahan terhadap sentimen ulasan) dan callback untuk melakukan

100 passing nilai sehingga dapat digunakan dalam fungsi berikutnya. Jumlah halaman paginasi ditampung dalam variabel test. Kemudian fungsi request akan mengambil halaman HTML sesuai dengan query URL yang ditetapkan. Setelah mendapatkan halaman sesuai dengan URL dan sentimen yang disampaikan, maka selanjutnya adalah melakukan ekstraksi data yang dibutuhkan untuk ditampung dalam basis data ulasan dengan menggunakan library cheerio. Cheerio merupakan library NodeJS untuk melakukan HTML dan DOM parsing. Hasil dari ekstraksi data dari dokumen HTML akan ditampung dalam basis data dengan melakukan query insert pada basis data ulasan. Gambar 22 menjelaskan kode program untuk melakukan scraping dari halaman ulasan produk amazon.com kemudian menyimpan hasil scraping ke dalam basis data ulasan. Gambar 23 memaparkan hasil web scraping yang telah ditampung dalam basis data ulasan.

Bagan 42 Hasil web scraping ditampung dalam basis data ulasan

101 scrapper.getReview(sen,function (val) { var test = parseInt(store(val).replace(/,/g, '')); var url = 'https://www.amazon.com/Amazon-Echo-Bluetooth-Speakerwith-WiFi-Alexa/productreviews/B00X4WHP5E/ref=cm_cr_arp_d_paging_btm_1?ie=UTF8&rev iewerType=all_reviews&showViewpoints=1&sortBy=recent&pageNum ber='+i+'&filterByStar='+sen+'' for (var i = 0; i < test; i++) { request(url, function (error, response, html) { if (!error && response.statusCode == 200) { var $ = cheerio.load(html); // Get Review Title $('a.review-title').each(function(i, element){ productName = $('.product-title').children().children().text(); customerName = $(this).parent().next().children().children().next().next().text(); reviewDate = $(this).parent().next().children().next().next().next().text().substr(3); reviewTitle = $(this).text(); reviewDetails = $(this).parent().next().next().next().children().text(); verifiedPurchase = $(this).parent().next().next().children().next().next().children().children() .text(); reviewSentiment = sen; reviewRatings = $(this).prev().prev().children().children().text().substr(0,1); // console.log(productName + ' - ' + customerName + ' - ' + reviewDate + ' - ' + reviewTitle + ' - ' + verifiedPurchase + ' - ' + reviewSentiment + ' - ' + reviewRatings); // Query connection.query('INSERT INTO `review`(`review_id`, `product_name`, `customer_name`, `review_date`, `review_title`, `review_detail`, `verified_purchase`, `review_sentiment`, `review_ratings`)' + 'VALUES (NULL,'+mysql.escape(productName)+','+mysql.escape(customerName) +','+mysql.escape(reviewDate)+','+mysql.escape(reviewTitle)+','+mysql. escape(reviewDetails)+','+mysql.escape(verifiedPurchase)+','+mysql.esc

102 ape(reviewSentiment)+','+mysql.escape(reviewRatings)+')', function(err, result) { if (err) throw err; console.log(reviewTitle + ' has been inserted into database successfully.'); }); }); } }); } });

Bagan 43 Kode untuk melakukan scraping dan menyimpan ke dalam basis data ulasan

5.4.

Preproses Data

Tahapan preproses data dilakukan untuk melakukan tokenisasi dan POS tagging pada data yang telah disimpan dalam basis data ulasan. Proses POS tagging dilakukan dengan menggunakan Standford NLP, dan menurut dokumentasi, tokenisasi dan sentence split dilakukan bersamaan ketika anotator POS tagging dijalankan. Proses POS tagging dalam Standford NLP dilakukan dengan melakukan tokenisasi pada tiap-tiap kata yang terbentuk dalam ulasan. Masing-masing kata kemudian diberi label sesuai dengan referensi Part of Speech sebagaimana yang telah dibahas pada bab dasar teori. Setelah melakukan POS tagging, jenis-jenis kata untuk masing-masing token dapat diketahui. Karena pada dasarnya kata aspek berupa kata benda dan kata opini berupa kata sifat atau kata kerja, maka kata-kata selain kata benda, kata ganti benda, kata sifat, dan kata kerja akan dihilangkan dari detail ulasan.

103 5.4.1.

Menjalankan Standford NLP sebagai service

java -mx4g -cp "*" edu.stanford.nlp.pipeline.StanfordCoreNLPServer Bagan 44 Kode untuk menjalankan server Standford NLP via konsole

Kode program pada gambar 25 digunakan untuk menjalankan server Standford NLP. Gambar 26 menunjukan bahwa server telah berhasil dijalankan dan dapat digunakan sesuai dengan kebutuhan pengembang. Server Standford NLP dapat digunakan dengan mengakses http://localhost:9000 atau juga dapat digunakan sebagai webservice sehingga API dapat digunakan dalam kode program. Library yang digunakan untuk dapat mengakses API Standford NLP pada NodeJS adalah corenlp-js-interface yang dikembangkan oleh Noah Dessauer sebagaimana yang terlihat pada https://www.npmjs.com/package/corenlp-js-interface.

Bagan 45 Menjalankan Server Standford NLP via Konsole

5.4.2.

Melakukan POS Tagging pada data ulasan.

app.get('/postagging', function(req, res){ // Do Something... dataQuery.getReviewDetail(function (err,rows){ // Do something ... var reviewString = joinResults(rows)

104 var text = corenlp(reviewString,"pos"); res.json(text) }) }) Bagan 46 Kode untuk menjalankan POS Tagging pada Standford NLP

Kode program pada gambar 26 digunakan untuk menjalankan library Standford NLP. Library ini akan menghasilkan file berupa JSON yang berisikan data ulasan yang telah ditokenisasi per kata. Hasil dari preproses data akan ditampung ke dalam basis data POS tagging. Gambar 21 merupakan API yang dikembangkan untuk mengimplementasikan POS tagging ke data ulasan.

Bagan 47 Hasil POS Tagging

5.5.

Ekstraksi Fitur dan Opini

Ekstraksi fitur dan opini dilakukan dengan mengimplementasikan LDA ke dalam kode program. Algoritma LDA diimplementasikan dengan menggunakan NodeJS.

105 LDA memiliki tiga parameter utama, yakni dokumen yang akan di proses, jumlah topik yang teridentifikasi dalam dokumen, dan jumlah kata kunci yang ingin ditampilkan. Salah satu kelemahan dalam metode LDA adalah bahwa seseorang perlu menentukan jumlah topik yang ingin ditampilkan. LDA memiliki proses generatif sebagai berikut. 1. Untuk setiap dokumen w dalam korpus D a. Pilih N ~ Poisson(ξ) b. Pilih θ ~ Dir(α) 2. Untuk setiap N kata dalam dokumen wn: a. Pilih topik zn ~ Multinomial(θ). b. Pilih kata wn dari p( wn | zn, β ) Bentuk implementasi dari algoritma LDA adalah sebagai berikut. var process = numberOfTermsPerTopic, randomSeed) {

function(sentences, numberOfTopics, languages, alphaValue, betaValue,

var result = []; var documents = new Array(); var f = {}; var vocab=new Array(); var vocabOrig = {}; if (sentences && sentences.length > 0) { // lakukan tokenisasi dan stemming ... var V = vocab.length; var M = documents.length; var K = parseInt(numberOfTopics); var alpha = alphaValue || 0.1; var beta = betaValue || .01; words

106 // Melakukan gibbs sampling lda.configure(documents,V,10000, 2000, 100, 10, randomSeed); lda.gibbs(K, alpha, beta); var theta = lda.getTheta(); var phi = lda.getPhi(); var text = ''; //tampung topik, kata kunci, beserta probabiltas dalam array ... } } Bagan 48 Kode Utama untuk melakukan analisa LDA dengan korpus berupa ulasan produk di Amazon.com

Kode program pada gambar 49 merupakan implementasi LDA secara keseluruhan. Fungsi LDA yang dibuat mampu menampung dua parameter wajib dan lima parameter yang sifatnya opsional. Berikut ini adalah penjelasan dari masingmasing parameter. Tabel 18 Parameter Fungsi LDA Nama Parameter sentences

numberOfTopics

numberOfTermsPerTopic

languages

Deskripsi Parameter ini menerima masukan berupa kumpulan kalimat yang akan dianalisa. Parameter ini merupakan jumlah topik yang ingin ditampilkan sebagai hasil akhir dari analisa LDA. Parameter ini merupakan jumlah kata-kata dengan probabiltas yang paling sering muncul yang ingin ditampilkan sebagai hasil akhir dari analisa LDA. Parameter untuk mengatur bahasa. Terdapat tiga bahasa yakni bahasa Inggris, bahasa Jerman, dan bahasa Spanyol.

107 Nama Parameter alphaValue

betaValue randomSeed

Deskripsi Parameter dirichlet LDA untuk distribusi probabiltas topik per dokumen Parameter dirichlet LDA untuk distribusi probabiltas topik per kata Karena iterasi LDA sifatnya unsupervised, maka setiap kali analisis LDA berjalan, nilai probabilitasnya selalu random. Parameter ini digunakan agar nilai acak dari iterasi LDA dapat diset permanen atau tidak memiliki variabilitas yang terlalu tinggi per iterasi.

Setelah menentukan parameter yang akan dimasukkan ke dalam fungsi LDA, maka selanjutnya akan dilakukan proses tokenisasi pada masing-masing kata per kalimat yang teridentifikasi dalam dokumen. selanjutnya Gibbs Sampling dijalankan untuk mendapatkan nilai probabilitas kata kunci di masing-masing topik yang teridentifikasi. Nilai probabiltas tersebut kemudian diurutkan berdasarkan dari nilai probabiltas kata yang sering muncul dalam topik yang teridentifikasi. Hasil daripada Gibbs Sampling selanjutnya ditampung dalam array untuk dapat ditampilkan ke dalam antar muka. 5.5.1.

Melakukan Tokenisasi Dokumen

Proses tokenisasi dokumen dilakukan untuk menghilangkan kata selain kata benda dan kata sifat serta menghilangkan tanda baca dan menemukan bentuk dasar kata. Tokenisasi dilakukan per kata per kalimat. Dokumen tersebut di tampung di dalam dua array. Pertama adalah array berisi kata-kata yang terkandung dalam dokumen. Array pertama digunakan sebagai indeks acuan pada array dokumen. Sementara array dokumen merupakan kumpulan indeks kata-kata yang telah ditokenisasi.

108 Indeks kata tersebut direpresentasikan dengan dokumen = {0,1,2, ..., vocab[n]}. Persamaan berikut merepresentasikan bahwa masing-masing kata dalam suatu kalimat ditokenisasi menjadi satu dokumen. [0]𝐸𝑐ℎ𝑜 [1]𝑙𝑜𝑡 [2]𝑚𝑢𝑠𝑖𝑐 0 1 … [3]ℎ𝑜𝑚𝑒 2 3 … 𝑉𝑜𝑐𝑎𝑏 = [4]𝑎𝑚𝑎𝑧𝑖𝑛𝑔 , 𝐷𝑜𝑘𝑢𝑚𝑒𝑛 = 0 4 5 [5]𝑟𝑒𝑠𝑝𝑜𝑛𝑠𝑖𝑣𝑒 2 6 7 [ … … … [6]𝑎𝑛𝑠𝑤𝑒𝑟 [7]ℎ𝑒𝑎𝑟 [… ] … [ ]

… … … … …]

Persamaan 8 Matriks vocabulary dan matriks dokumen

Implementasi dalam bahasa pemrogramman adalah sebagai berikut. var stopwords = new Array(); languages.forEach(function(value) { var stopwordsLang = require('./stopwords_' + value + ".js"); stopwords = stopwords.concat(stopwordsLang.stop_words); }); for(var i=0;i<sentences.length;i++) { if (sentences[i]=="") continue; documents[i] = new Array(); var words = sentences[i].split(/[\s,\"]+/); if(!words) continue; for(var wc=0;wc<words.length;wc++) { var w=words[wc].toLowerCase().replace(/[^a-z\'A-Z0-9\u00C0\u00ff ]+/g, ''); var wStemmed = stem(w);

109 if (w=="" || !wStemmed || w.length==1 || stopwords.indexOf(w.replace("'", "")) > -1 || stopwords.indexOf(wStemmed) > -1 || w.indexOf("http")==0) continue; if (f[wStemmed]) { f[wStemmed]=f[wStemmed]+1; } else if(wStemmed) { f[wStemmed]=1; vocab.push(wStemmed); vocabOrig[wStemmed] = w; }; documents[i].push(vocab.indexOf(wStemmed)); } Bagan 49 Tokenisasi kata per kalimat ke dalam array vocab dan document

5.5.2.

Melakukan Analisa LDA dengan Gibbs Sampling

Setelah melakukan tokenisasi terhadap dokumen, maka langkah selanjutnya adalah proses melakukan analisis LDA dengan metode gibbs sampling. Berikut adalah proses-proses yang terjadi selama melakukan gibbs sampling. this.gibbs = function (K,alpha,beta) { this.createThetaSumAndPhiSum(); this.initialState(K); // Sample full conditional for (i = 0; i < this.ITERATIONS; i++) { for (var m = 0; m < this.z.length; m++) { for (var n = 0; n < this.z[m].length; n++) { var topic = this.sampleFullConditional(m, n); this.z[m][n] = topic; } } updateParams() } } Bagan 50 Kode Analisa LDA dengan Gibbs Sampling

Kode program pada gambar 30 menunjukan implementasi fungsi Gibbs Sampling yang diturunkan dari fungsi LDA. Fungsi Gibbs Sampling digunakan untuk mengkalkulasi proabiltas topik z yang dimiliki oleh kata wi. Masukkan untuk

110 fungsi Gibbs Sampling terdiri atas kata-kata w yang teridentifikasi dalam dokumen d. Luaran dari proses gibbs sampling. Proses diawali dengan menginisiasi topik z. Kemudian untuk tiap iterasi dan tiap jumlah kata yang teridentfikasi, kata-kata ditampung dalam barisan kata-kata, sementara distribusi topik ditampung dalam barisan distribusi topik. Kemudian untuk masing-masing topik yang teridentifikasi, hitung probabilitas topik dalam suatu dokumen dengan pendekatan sample full conditional. Luaran dari gibbs sampling adalah penugasan topik z dan menghitung jumlah topik dokumen, topik kalimat, dan topik dalam kata-kata. Dengan penjelasan yang lebih detail, pertama, matriks thetasum dan phisum dibuat untuk menampung nilai probabiltas distribusi topik dalam dokumen dan distribusi kata dalam topik. Matriks thetasum dibuat dengan dimensi jumlah dokumen d × jumlah topik t yang teridenfitikasi dalam dokumen. Sementara matriks phisum dibuat dengan dimensi jumlah topik t yang teridentifikasi × jumlah vocabulary w dalam matriks vocab. Bentuk matriks thetasum dan phisum dapat dijabarkan sebagai berikut. 𝑑0 𝑡0 𝑑1 𝑡0 𝑡ℎ𝑒𝑡𝑎𝑠𝑢𝑚 = 𝑑2 𝑡0 … 𝑑 [ 𝑥 𝑡0

𝑑0 𝑡1 𝑑1 𝑡1 𝑑2 𝑡2 … 𝑑𝑥 𝑡1

… 𝑑0 𝑡𝑦 … 𝑑1 𝑡𝑦 … 𝑑2 𝑡𝑦 … … … 𝑑𝑥 𝑡𝑦 ]

Persamaan 9 Thetasum untuk menampung distribusi topik dalam dokumen

𝑡0 𝑤1 𝑡1 𝑤1 𝑝ℎ𝑖𝑠𝑢𝑚 = [ … 𝑡𝑥 𝑤1

𝑡0 𝑤2 𝑡0 𝑤2 … 𝑡𝑥 𝑤2

𝑡0 𝑤3 𝑡0 𝑤3 … 𝑡𝑥 𝑤3

… 𝑡0 𝑤𝑦 … 𝑡1 𝑤𝑦 … … ] … 𝑡𝑥 𝑤𝑦

Persamaan 10 Phisum untuk menampung distribusi kata dalam topik

111 Implementasi dalam bahasa pemrogramman adalah sebagai berikut. var i; this.K = K; this.alpha = alpha; this.beta = beta; if (this.SAMPLE_LAG > 0) { this.thetasum = make2DArray(this.documents.length,this.K); this.phisum = make2DArray(this.K,this.V); this.numstats = 0; } Bagan 51 Implementasi pembuatan matriks thetasum dan phisum

5.5.2.1.

Menginisasi Kondisi Awal

Kemudian langkah selanjutnya adalah membuat matriks z, nw, nd, nwsum, dan ndsum. Matriks z diperoleh dengan cara mengalikan jumlah topik K dengan angka random. Hasil pengalian jumlah topik K akan menghasilkan angka 0 hingga sejumlah topik K. Sehingga untuk masing-masing vocabulary n dalam dokumen m topik zmn akan dihasilkan. Bentuk dari matriks z merepresentasikan matriks dokumen. Hanya saja matriks z sudah menghubungkan masing-masing vocab dalam topik. 0 0 𝑧 = 0 1 […

1 … … 0 … … 1 0 … , 𝑑𝑖𝑚𝑎𝑛𝑎 𝐾 = 2 1 0 … … … …]

Persamaan 11 Matriks z dimana nilai matriks diperoleh secara acak

Matriks nw merupakan matriks yang digunakan untuk membuat hubungan topik untuk masing-masing kata. Isi matriks nw diperoleh dengan cara melihat vocabulary pada dokumen z kemudian memetakannya dengan matriks z. Berikut adalah contoh matriks nw.

112 𝟐 0 1 1 0 𝑛𝑤 = 1 0 1 … [𝑤𝑥 𝑡0 𝟎 1 … 2 3 … 𝐷= 𝟎 𝟒 5 2 6 7 [… … …

… … … … …]

0 1 1 0 𝟏 0 1 0 … 𝑤𝑥 𝑡1

… … … … … … … … … …

𝑤0 𝑡𝑦 𝑤1 𝑡𝑦 𝑤2 𝑡𝑦 𝑤3 𝑡𝑦 𝑤4 𝑡𝑦 𝑤5 𝑡𝑦 𝑤6 𝑡𝑦 𝑤7 𝑡𝑦 … 𝑤𝑥 𝑡𝑦 ]

𝟎 1 0 0 𝑧 = 𝟎 𝟏 1 1 [… …

… … 0 0 …

… … … … …]

Persamaan 12 Matriks nw dengan matriks dokumen D dan matriks z

Sebagai contoh, pada matriks nw, kosakata 4 memiliki topik 1 sebanyak 1. Nilai ini diperoleh dengan membandingkan dua matriks, yakni matriks dokumen d dan matriks topik z. Perhatikan pada matriks d, sejajarkakn posisi vocab 4 dengan posisinya pada matriks z. Terlihat bahwa vocab 4 terikat dengan topik 1. Sehingga pada matriks nw, nilai topik 1 pada vocab 4 ditambahkan sebanyak 1. Proses ini dilakukan untuk semua vocab pada matriks dokumen. Matriks nd merupakan matriks yang digunakan untuk membuat hubungan topik untuk masing-masing dokumen (kalimat). Isi matriks nd diperoleh dengan cara melihat distribusi topik pada dokumen z. Berikut adalah contoh matriks nd.

113 0 1 … 0 0 … 𝑧 = 0 1 0 1 1 0 [… … …

… 1 … 2 , 𝑛𝑑 = … 2 … 1 [… …]

1 0 1 2 …

… … … … …]

Persamaan 13 Matriks nd dengan matriks z

Nilai matriks nd diperoleh dengan cara menghitung jumlah masing-masing topik pada masing-masing dokumen. Contohnya pada dokumen 0, jumlah topik 0 dan topik 1 masing-masing adalah satu, maka pada matriks md, pada dokumen 0, nilai topik 0 adalah 1 dan nilai topik 1 adalah 1. Ulangi proses ini untuk setiap dokumen yang terbentuk pada matriks dokumen. Matriks nwsum diperoleh dengan menjumlahkan occurences topik pada matriks z. Dapat terlihat jelas pada matriks z, topik 0 adalah sejumlah 6 dan topik 1 adalah sejumlah 4. Sehingga matriksnya adalah. 0 1 … 0 0 … 𝑧 = 0 1 0 1 1 0 [… … …

… … 6 , 𝑛𝑤𝑠𝑢𝑚 = [ … 4] … … …]

Persamaan 14 Matriks z dengan matriks nwsum

Sementara nilai ndsum diperoleh dengan menjumlahkan matriks nd per dokumen. Dapat terlihat jelas bahwa pada matriks nd, dokumen pertama berjumlah 2 topik, dokumen kedua berjumlah 2 topik, sementara dokumen ketiga dan keempat masing-masing berjumlah 3 topik. Matriks ndsum dapat dinotasikan sebagai berikut.

114 1 1 2 0 𝑛𝑑 = 2 1 1 2 [… …

… 2 … 2 , 𝑛𝑑𝑠𝑢𝑚 = … 3 … 3 […] …]

Persamaan 15 Matriks nd dengan matriks ndsum

Implementasi dari inisiasi kondisi awal adalah sebagai berikut. this.initialState = function (K) { var i; var M = this.documents.length; this.nw = make2DArray(this.V,K); this.nd = make2DArray(M,K); this.nwsum = makeArray(K); this.ndsum = makeArray(M); this.z = new Array(); for (i=0;i<M;i++) this.z[i]=new Array(); for (var m = 0; m < M; m++) { var N = this.documents[m].length; this.z[m] = new Array(); for (var n = 0; n < N; n++) { var topic = parseInt(""+(this.getRandom() * K)); this.z[m][n] = topic; this.nw[this.documents[m][n]][topic]++; this.nd[m][topic]++; this.nwsum[topic]++; } this.ndsum[m] = N; } } Bagan 52 Implementasi inisasi matriks z, nw, nd, nwsum, dan ndsum

5.5.2.2.

Melakukan Analisa Gibbs Sampling dengan Sample Full Conditional.

Setelah menginisiasi matriks topik z, matriks nw, nd, nwsum, dan ndsum, maka langkah selanjutnya adalah mengolah matriks tersebut dengan menggunakan fungsi sample full conditional. Sample full conditional adalah proses untuk memperbaiki distribusi topik dalam matriks z yang nilainya diinisiasi secara acak. Sehingga pertama-tama untuk masing-masing vocab n

115 dalam dokumen m, nilai matriks nw[dokumen(m,n)][z(m,n)], nw[dokumen(m,n)][z(m,n)], nd[dokumen(m,n)][z(m,n)], nwsum[z(m,n)], dan nwsum[m] dikurangi terlebih dahulu. Kemudian dibuatlah matriks p berdimensi sebesar jumlah topik yang teridentifikasi K. Untuk setiap topik K yang teridentifikasi, nilai dari p[k] adalah sebagai berikut. 𝑚

𝑛

𝑘

∑ ∑ ∑ 𝑝𝑘 = 0

0

0

(𝑛𝑤(𝑑𝑜𝑐(𝑚,𝑛),𝑘) + 𝛽) 𝑛𝑤𝑠𝑢𝑚𝑘 + 𝑉 ∗ 𝛽

×

(𝑛𝑑(𝑚,𝑘) + 𝛼) 𝑛𝑑𝑠𝑢𝑚𝑚 + 𝐾 × 𝛼

Persamaan 16 Menghitung probabiltas untuk masing-masing vocab n dalam dokumen m

Kemudian nilai probabiltas pk dibandingkan dengan nilai u yang merupakan nilai yang diperoleh dari pk-1 dikali dengan suatu nilai acak. Jika u < ptopic, maka iterasi selesai, jika tidak, maka jumlahkan nilai kembali pada matriks nw, nd, nwsum, dan ndsum. Hasil topik yang telah diperbaharui menjadi luaran dari fungsi sample full conditional ini. Hasil distribusi topik setelah dilakukan gibbs sampling adalah sebagai berikut. 0 0 1 1 𝑧 = 0 0 1 1 [… …

… … 0 1 …

… … … … …]

Persamaan 17 Matriks distribusi topik z setelah diperbaharui dengan sample full conditional

Implementasi dari analisis gibbs sampling adalah sebagai berikut. this.sampleFullConditional = function(m,n) { var topic = this.z[m][n]; this.nw[this.documents[m][n]][topic]--;

116 this.nd[m][topic]--; this.nwsum[topic]--; this.ndsum[m]--; var p = makeArray(this.K); for (var k = 0; k < this.K; k++) { p[k] = (this.nw[this.documents[m][n]][k] + this.beta) / (this.nwsum[k] + this.V * this.beta) * (this.nd[m][k] + this.alpha) / (this.ndsum[m] + this.K * this.alpha); } for (var k = 1; k < p.length; k++) { p[k] += p[k - 1]; } var u = this.getRandom() * p[this.K - 1]; for (topic = 0; topic < p.length; topic++) { if (u < p[topic]) break; } this.nw[this.documents[m][n]][topic]++; this.nd[m][topic]++; this.nwsum[topic]++; this.ndsum[m]++; return topic; } Bagan 53 Kode Analisa Gibbs Sampling dengan Sample Full Conditional

Kode program pada gambar 31 menunjukan implementasi dari Gibbs Sampling yang diturunkan dari fungsi LDA. Fungsi sampleFullConditional menerima masukkan berupa jumlah dokumen dan jumlah kata yang teridentifikasi dalam dokumen. Masukkan ini digunakan untuk menginisiasi matriks penugasan topik z. Kemudian untuk setiap topik yang ingin ditampilkan, lakukan perhitungan fungsi Gibbs Sampling yang diturunkan dari fungsi LDA. Luaran dari fungsi sampleFullConditional adalah matriks penugasan topik pada tiap dokumen dan tiap kata yang teridentfifikasi.

117 5.5.3.

Menghitung Probabilitas Kata Kunci per Topik Berdasarkan Matriks Distribusi Topik Z

Setelah mendapatkan probabilitas distribusi topik untuk ditampung dalam matriks z, maka langkah selanjutnya adalah untuk menghitung probabiltas untuk masing-masing kata kunci yang teridentifikasi dalam dokumen. Implementasi dalam bahasa pemrogramman adalah sebagai berikut. if ((i < this.BURN_IN) && (i % this.THIN_INTERVAL == 0)) { //document.write("B"); this.dispcol++; } if ((i > this.BURN_IN) && (i % this.THIN_INTERVAL == 0)) { //document.write("S"); this.dispcol++; } if ((i > this.BURN_IN) && (this.SAMPLE_LAG > 0) && (i % this.SAMPLE_LAG == 0)) { this.updateParams(); //document.write("|"); if (i % this.THIN_INTERVAL != 0) this.dispcol++; } if (this.dispcol >= 100) { //document.write("*
"); this.dispcol = 0; } Bagan 54 Implementasi perhitungan probabiltas kata per topik

Fungsi updateParams() sebagaimana yang terlihat pada gambar 54 digunakan untuk menghitung probabilitas masingmasing kata yang berada pada topik tertentu dalam dokumen. Untuk mendapatkan probabiltas tersebut, dapat diperoleh dengan membagi matriks nw dengan nwsum dengan mempertimbangkan parameter dirichlet β. Berikut adalah formula untuk menghitung probabiltas masing-masing vocab

118 yang terhubung pada suatu topik untuk masing-masing topik yang teridentifikasi dalam dokumen. 𝑘

𝑤

∑ ∑ 𝑝ℎ𝑖𝑠𝑢𝑚(𝑘,𝑤) = 0

0

(𝑛𝑤(𝑤,𝑘) + 𝛽) 𝑛𝑤𝑠𝑢𝑚𝑘 + 𝑉 + 𝛽

Persamaan 18 Menghitung nilai probabiltas kata per topik

Bentuk implementasi dari fungsi phisum adalah sebagai berikut. this.updateParams =function () { for (var m = 0; m < this.documents.length; m++) { for (var k = 0; k < this.K; k++) { this.thetasum[m][k] += (this.nd[m][k] + this.alpha) / (this.ndsum[m] + this.K * this.alpha); } } for (var k = 0; k < this.K; k++) { for (var w = 0; w < this.V; w++) { this.phisum[k][w] += (this.nw[w][k] + this.beta) / (this.nwsum[k] + this.V * this.beta); } } this.numstats++; } Bagan 55 Implementasi fungsi update params untuk menghitung probabiltas kata per topik

Selanjutnya, nilai dari matriks phisum akan dipetakan dengan vocabulary pada matriks vocab. Posisi probabiltas pada matriks phisum merepresentasikan probabiltas masing-masing vocab untuk tiap-tiap topik yang teridentifikasi. Sehingga, dengan menggabungkan matriks vocab dengan matriks phisum, maka akan di dapat vocabulary beserta probabilitas. Penggabunggan matriks vocab dengan matriks phisum dilakukan sebanyak sejumlah topik yang teridentifikasi.

119 Bentuk implementasi dari pemetaan vocab terhadap probabiltas masing-masing vocab adalah sebagai berikut. var topTerms=numberOfTermsPerTopic; for (var k = 0; k < phi.length; k++) { var things = new Array(); for (var w = 0; w < phi[k].length; w++) { things.push(""+phi[k][w].toPrecision(2)+"_"+vocab[w] + "_" + vocabOrig[vocab[w]]); } things.sort().reverse(); //console.log(things); if(topTerms>vocab.length) topTerms=vocab.length; //console.log('Topic ' + (k + 1)); var row = []; for (var t = 0; t < topTerms; t++) { var topicTerm=things[t].split("_")[2]; var prob=parseInt(things[t].split("_")[0]*100); if (prob<2) continue; var term = {}; term.term = topicTerm; term.probability=parseFloat(things[t].split("_")[0]); row.push(term); } result.push(row); } Bagan 56 Implementasi pemetaan kata per topik dalam matriks topik dengan matriks phisun

Setelah melakukan pemetaan kata per topik dalam matriks topik terhadap matriks phisum ke dalam matriks result, maka nilai matriks result tersebut diurutkan mulai dari kata dengan

120 probabilitas tertinggi ke rendah. Hasil tersebut kemudian ditampung ke dalam array yang berisikan kata kunci yang telah dikategorikan per topik beserta nilai probabilitasnya. Berikut adalah contoh hasil LDA terhadap data ulasan produk Amazon Echo.

Bagan 57 Luaran dari analisis LDA

Gambar 54 menunjukan luaran dari analisis LDA. Disini parameter yang diujikan merupakan jumlah topik dengan nilai 20 dan jumlah kata kunci 5 untuk masing-masing topik. Luaran berupa kata kunci dengan probabilitas yang paling sering muncul dalam dokumen serta nilai dari probabiltas per masingmasing kata itu sendiri.

5.6.

Rancang Bangun Prototipe

Tahapan ini merupakan implementasi dari tahapa analisis dan desain ke dalam bentuk aplikasi sesuai dengan penjelasan lingkungan implementasi.

121 5.6.1.

Implementasi Halaman Pencarian Produk

Halaman pencarian produk berperan sebagai halaman utama dari aplikasi amazolda. Pengguna mengentrikan kata kunci pada kotak pencarian untuk mendapatkan detail produk yang diinginkan. Selanjutnya sistem akan mencocokan kata kunci pencarian dengan hasil pada basis data produk. Jika produk ditemukan, maka pengguna akan dialihkan pada halaman daftar produk sesuai dengan kata kunci yang dicari. Namun jika kata kunci produk tidak sesuai dengan nama produk yang terdapat dalam basis data ulasan, maka sistem akan menampilkan pesan error bahwa produk tidak ditemukan. Index.js app.get('/', function(req, res){ // Render page res.render('index', { title: 'amazoLDA', description: "View and analyze product's features that customers talk about", }) }) Index.hbs

{{title}}

{{description}}

<span class="input-group-btn"> Go!

Bagan 58 Implementasi kode pada halaman pencarian

122 5.6.2.

Implementasi Halaman Daftar Produk

Halaman daftar produk menampilkan daftar produk sesuai dengan kata kunci yang dientrikan oleh pengguna. Sistem akan menampilkan daftar produk dengan kata kunci yang sesuai dengan keinginan pengguna. Daftar produk diambil dengan melihat tabel produk pada basis data produk. Data yang akan ditampilkan dalam halaman daftar produk adalah nama produk, link detail produk, gambar produk, dan harga produk. Jika mengklik nama produk, maka pengguna akan dialihkan ke halaman detail produk yang dipilih. Index.js app.get('/search/:page', function(req, res){ dataQuery.getProduct(function (err,rows){ // Do something ... res.render('search',{ title: 'amazoLDA', data: rows, query: req.param('query') }) }) }) ./Controller/Dataquery.js module.exports.getProduct = function (callback){ // Do something ... setQuery('select * from product', function(err, rows){ callback(err,rows) }) } Search.hbs

Search "{{ query }}" in page {{ page }}

{{#each data}}

123

{{this.product_name}}

${{this.price}}

{{/each}}

Bagan 59 Implementasi kode pada halaman daftar produk

5.6.3.

Implementasi Halaman Detail Produk

Halaman detail produk berisikan detail produk, ulasan produk, beserta grafik hasil analisis LDA. Detail produk yang ditampilkan berupa gambar produk, nama produk, dan harga produk. Sementara ulasan menampilkan semua ulasan yang telah ditulis oleh pemakai produk antara lain judul ulasan, pengulas, tanggal ulasan dibuat, detail ulasan, rating ulasan, dan keterengan apabila ulasan diulas oleh pembeli terverifikasi. Grafik analisis LDA menampilkan jumlah topik yang teridentifikasi dalam ulasan serta kata kunci terkait topik yang paling sering dibahas oleh konsumen. Index.js app.get('/lda/:productName', function(req, res){ // Query data ulasan dataQuery.getReviewDetail(function (err,rows){ // Join data ulasan menjadi satu dokumen

124 var reviewString = joinResults(rows) // Menghilangkan tanda baca dan spasi var documents = reviewString.match( /[^\.!\?]+[\.!\?]+/g ); // Menjalankan fungsi Latent Dirichlet Allocation var results = lda(documents,20,5) var product = req.params.productName.replace('%20', ' ') console.log(product) dataQuery.getProductDetail(product.toString(),function (error,details){ // Render results to view res.render('detail', { title: 'amazoLDA', terms: results, productDetail: details }) }) }) }) ./Controller/Dataquery.js module.exports.getReviewDetail = function (callback){ // Do something ... setQuery('select review_detail from review', function(err, rows){ callback(err,rows) }) } module.exports.getProductDetail = function (productName,callback){ // Do something ... setQuery('select * from product join review on product.product_id = review.review_product where product_name = "'+productName+'"', function(err, rows){ callback(err,rows) }) } detail.hbs

125

{{productDetail.0.product_name}} @ ${{productDetail.0.price}}

{{#each terms as |value key|}}

Topic: {{@index}}

{{#each this}}

{{/each}}

{{/each}}

{{#each productDetail}}

<span>{{this.rating_value}} | {{this.review_title}}

{{this.reviewer}} <span>{{this.review_date}}

<span class="verified">{{this.review_verified}}

{{this.review_detail}}

{{/each}}

Bagan 60 Implementasi kode pada halaman detail produk

126 Halaman ini sengaja dikosongkan

BAB VI HASIL DAN PEMBAHASAN 6.1. Hasil Prototipe Aplikasi Hasil prototipe aplikasi berupa antar muka pengguna yang siap dipakai dengan kapabiltas terbatas hanya pada fitur pencarian produk dan melihat detail produk yang dipilih oleh pengguna. Terdapat tiga tampilan antar muka antara lain halaman pencarian produk, halaman daftar produk, dan halaman detail produk. Berikut adalah penejelasan mengenai masing-masing fitur halaman. 6.1.1. Halaman Pencarian Produk

Bagan 61 Halaman Pencarian Produk

Halaman pada gambar 52 merupakan tampilan awal dari sistem AmazoLDA, nama aplikasi untuk sistem ekstraksi fitur dan opini untuk pengambilan keputusan pembelian pelanggan. Pengguna memasukkan kata kunci untuk menemukan barang dan klik cari untuk mencari barang yang ingin dicari dan dilihat lebih lanjut. 127

128 6.1.2. Halaman Daftar Produk

Bagan 62 Halaman Daftar Produk

Halaman pada gambar 41 merupakan tampilan untuk menampilkan daftar barang sesuai dengan kata kunci pencarian. Data yang ditampilkan antara lain daftar produk berupa gambar, nama produk, dan harga produk. Pengguna dapat memilih produk yang dimaksud untuk dilihat detailnya lebih lanjut. Pengguna juga dapat mencari produk lain berdasarkan kata kunci apabila belum menemukan barang yang dimaksud. Kemudian menu navigasi dibuat untuk kembali ke halaman pencarian, menuju ke halaman tentang aplikasi, dan menuju ke halaman FAQ. 6.1.3. Halaman Pencarian Produk Halaman pada gambar 43 merupakan tampilan untuk menampilkan detail produk yang dipilih dari halaman daftar produk. Informasi produk seperti gambar, nama produk dan harga akan ditampilkan berikut hasil analisis dengan LDA. Wujudnya berupa grafik batang yang menampilkan kata kunci yang paling sering dibicarakan dalam ulasan produk.

129

Bagan 63 Halaman Detail Produk

6.2. Hasil Analisis LDA Setelah memilih detail produk yang ingin dilihat, maka pengguna dapat melihat data ulasan beserta probabilitas kata yang paling sering muncul, Gambar 39 meupakan tampilan aplikasi dengan sistem ekstraksi fitur dan opini pada suatu produk.

Bagan 64 Grafik hasil analisis LDA

Tabel berikut menunjukan parameter yang digunakan untuk melakukan analisis LDA.

130 Tabel 19 Parameter LDA yang digunakan untuk analisis

Nama Parameter Dokumen Jumlah Topik Jumlah Kata dalam topik

Nilai 48.998 data ulasan 20 5

Berikut adalah data berisi hasil analisis LDA yang menampilkan kata kunci dengan probabiltas yang paling sering muncul untuk masing-masing topik. 6.2.1.

Parameter Analisis LDA

Paramter yang digunakan dalam analisis LDA antara lain adalah dokumen, jumlah topik dalam korpus dokumen yang teridentifikasi, dan jumlah kata kunci yang ingin ditampilkan per topik yang teridentfikasi. Berikut ini adalah penjelasan untuk masing-masing parameter. Tabel 20 Parameter Analisis LDA

Parameter Dokumen

Jumlah topik

Jumlah kata kunci per topik

Deskripsi Merupakan kumpulan teks yang akan dianalisis. Dokumen dipecah / ditokenisasi per kalimat. Jumlah topik yang teridentifikasi dalam dokumen. Jumlah kata kunci per topik yang ingin ditampilkan.

Untuk mengetahui jumlah topik yang optimum, maka perlu dilakukan pengujian sebelumnya. Pengujian dilakukan dengan melihat nilai minimum log likelihood sebagaimana yang diusulkan oleh Griffiths2004 [37].

131 Beberapa model LDA akan diuji dengan metrik-metrik sebagaimana yang diusulkan di atas. Model LDA diuji dengan menggunakan library R ldatuning [38]. Berikut adalah hasil pengujian parameter model LDA dengan menggunakan ldatuning.

Bagan 65 Perhitungan log-likelihood untuk menentukan jumlah topik teridentifikasi dalam dokumen

Dapat terlihat pada grafik pada fungsi maxima, nilai sempat mengalami jatuh kemudian naik lagi pada jumlah topik yang ke 20. Begitu pula dengan fungsi minima yang mencapai titik paling rendah pada topik ke 20. Sehingga dapat disimpulkan bahwa jumlah topik optimalnya adalah 20 – 22 topik. 6.2.2.

Hasil Matriks LDA

Hasil dari analisis LDA berupa matriks yang berisi kumpulan kata yang dikategorikan per topik beserta probabiltas distribusi kata dalam suatu topik. Berikut adalah penjelasan kata-kata yang teridentifikasi untuk masing-masing topik.

132 6.2.2.1. Hasil Kata Kunci Topik 1 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 1

probabilitas

Tabel 21 Hasil Kata Kunci untuk Topik 1 0/term

love

0/probability

0.22

1/term

echo

1/probability

0.2

2/term

amazon

2/probability

0.1

3/term

amazing

3/probability

0.05

4/term

product

4/probability

0.048

Pada topik pertama dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata love disusul dengan echo, amazon, amazing, dan produk dengan probabiltas masing-masing adalah 0.22 untuk kata love, 0.2 untuk kata echo, 0.1 untuk kata amazon, 0.05 untuk kata amazing dan 0.048 untuk kata product. Hal ini mengindikasikan bahwa pengguna sangat menyukai produk amazon echo. Namun topik 1 belum dapat menghasilkan aspek dari produk amazon.

133 6.2.2.2. Hasil Kata Kunci Topik 2 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 2

probabilitas

Tabel 22 Hasil Kata Kunci untuk Topik 2 0/term

sound

0/probability

0.14

1/term

speaker

1/probability

0.092

2/term

good

2/probability

0.091

3/term

great

3/probability

0.085

4/term

quality

4/probability

0.061

Pada topik kedua dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata sound disusul dengan speaker, good, great, dan quality dengan probabiltas masing-masing adalah 0.14 untuk kata sound, 0.092 untuk kata speaker, 0.091 untuk kata good, 0.085 untuk kata great dan 0.061 untuk kata quality. Hal ini mengindikasikan bahwa suara yang dihasilkan produk speaker amazon echo bagus. Topik 2 mulai memperlihatkan aspek dan sentimen ulasan terhadap fitur produk.

134 6.2.2.3. Hasil Kata Kunci Topik 3 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 3

probabilitas

Tabel 23 Hasil Kata Kunci untuk Topik 3 0/term

voice

0/probability

0.12

1/term

alexa

1/probability

0.092

2/term

commands

2/probability

0.066

3/term

time

3/probability

0.037

4/term

recognition

4/probability

0.037

Pada topik ketiga dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata voice disusul dengan alexa, commands, time, dan recognition dengan probabiltas masing-masing adalah 0.12 untuk kata voice, 0.092 untuk kata alexa, 0.066 untuk kata commands, 0.037 untuk kata time dan 0.037 untuk kata recognition. Namun topik 3 belum dapat menghasilkan aspek dari produk amazon.

135 6.2.2.4. Hasil Kata Kunci Topik 4 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 4.

probabilitas

Tabel 24 Hasil Kata Kunci untuk Topik 4 0/term

echo

0/probability

0.066

1/term

amazon

1/probability

0.056

2/term

future

2/probability

0.048

3/term

learning

3/probability

0.045

4/term

updates

4/probability

0.043

Pada topik keempat dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata echo disusul dengan amazon, future, learning, dan updates dengan probabiltas masing-masing adalah 0.066 untuk kata echo, 0.056 untuk kata amazon, 0.048 untuk kata future, 0.045 untuk kata learningdan 0.043 untuk kata updates. Namun topik 4 belum dapat menghasilkan aspek dari produk amazon.

136 6.2.2.5. Hasil Kata Kunci Topik 5 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 5.

probabilitas

Tabel 25 Hasil Kata Kunci untuk Topik 5 0/term

echo

0/probability

0.081

1/term

alexa

1/probability

0.076

2/term

family

2/probability

0.066

3/term

life

3/probability

0.048

4/term

day

4/probability

0.042

Pada topik kelima dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata echo disusul dengan alexa, family, life, dan daydengan probabiltas masing-masing adalah 0.081 untuk kata echo, 0.076 untuk kata alexa, 0.066 untuk kata family, 0.048 untuk kata life dan 0.042 untuk kata day. Namun topik 5 belum dapat menghasilkan aspek dari produk amazon.

137 6.2.2.6. Hasil Kata Kunci Topik 6 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 6.

probabilitas

Tabel 26 Hasil Kata Kunci untuk Topik 6 0/term

love

0/probability

0.19

1/term

alexa

1/probability

0.11

2/term

kids

2/probability

0.059

3/term

words

3/probability

0.031

4/term

wife

4/probability

0.029

Pada topik keenam dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata love disusul dengan alexa, kids, words, dan wife dengan probabiltas masing-masing adalah 0.19 untuk kata love, 0.11 untuk kata alexa, 0.059 untuk kata kids, 0.031 untuk kata words dan 0.029 untuk kata wife. Namun topik 6 belum dapat menghasilkan aspek dari produk amazon.

138 6.2.2.7. Hasil Kata Kunci Topik 7 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 7.

probabilitas

Tabel 27 Hasil Kata Kunci untuk Topik 7 0/term

questions

0/probability

0.12

1/term

alexa

1/probability

0.09

2/term

answer

2/probability

0.087

3/term

understand

3/probability

0.036

4/term

talk

4/probability

0.035

Pada topik ketujuh dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata questions disusul dengan alexa, answer, understand, dan talk dengan probabiltas masing-masing adalah 0.12 untuk kata questions, 0.09 untuk kata alexa, 0.087 untuk kata answer, 0.036 untuk kata understand dan 0.035 untuk kata talk. Hal ini mengindikasikan bahwa product amazon echo dapat memahami permintaan pengguna dengan tepat.

139 6.2.2.8. Hasil Kata Kunci Topik 8 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 8.

probabilitas

Tabel 28 Hasil Kata Kunci untuk Topik 8 0/term

echo

0/probability

0.069

1/term

reviews

1/probability

0.057

2/term

recommend

2/probability

0.049

3/term

personable

3/probability

0.045

4/term

purchase

4/probability

0.032

Pada topik kedelapan dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata echo disusul dengan reviews, recommend, personable, dan purchase dengan probabiltas masing-masing adalah 0.069 untuk kata questions, 0.057 untuk kata reviews, 0.049 untuk kata recommend, 0.045 untuk kata personable dan 0.032 untuk kata purchase. Hal ini mengindikasikan bahwa product amazon echo sangat personal dan layak untuk direkomendasikan dalam katalog pembelian.

140 6.2.2.9. Hasil Kata Kunci Topik 9 Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 9.

probabilitas

Tabel 29 Hasil Kata Kunci untuk Topik 9 0/term

love

0/probability

0.11

1/term

echo

1/probability

0.078

2/term

bought

2/probability

0.078

3/term

gift

3/probability

0.069

4/term

year

4/probability

0.039

Pada topik kesembilan dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata love disusul dengan echo, bought, gift, dan yeardengan probabiltas masingmasing adalah 0.11 untuk kata love, 0.078 untuk kata echo, 0.078 untuk kata gift, 0.069 untuk kata gift dan 0.039 untuk kata year. Namun topik 9 belum dapat menghasilkan aspek dari produk amazon.

141 6.2.2.10.

Hasil Kata Kunci Topik 10

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 10.

probabilitas

Tabel 30 Hasil Kata Kunci untuk Topik 10 0/term

list

0/probability

0.17

1/term

shopping

1/probability

0.11

2/term

add

2/probability

0.066

3/term

items

3/probability

0.035

4/term

app

4/probability

0.031

Pada topik kesepuluh dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata list disusul dengan shopping, add, items, dan app dengan probabiltas masing-masing adalah 0.17 untuk kata list, 0.11 untuk kata shopping, 0.066 untuk kata add, 0.035 untuk kata items dan 0.031 untuk kata app. Namun topik 10 belum dapat menghasilkan aspek dari produk amazon.

142 6.2.2.11.

Hasil Kata Kunci Topik 11

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 11.

probabilitas

Tabel 31 Hasil Kata Kunci untuk Topik 11 0/term

easy

0/probability

0.065

1/term

app

1/probability

0.065

2/term

works

2/probability

0.054

3/term

set

3/probability

0.042

4/term

skills

4/probability

0.027

Pada topik ketujuh dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata easy disusul dengan app, works, set, dan skillsdengan probabiltas masing-masing adalah 0.065 untuk kata easy, 0.065 untuk kata app, 0.054 untuk kata works, 0.042 untuk kata set dan 0.027 untuk kata skills. Hal ini mengindikasikan bahwa aplikasi yang merupakan product samping amazon echo mudah untuk digunakan bersamaan dengan amazon echo.

143 6.2.2.12.

Hasil Kata Kunci Topik 12

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 12.

probabilitas

Tabel 32 Hasil Kata Kunci untuk Topik 12 0/term

weather

0/probability

0.094

1/term

music

1/probability

0.085

2/term

news

2/probability

0.082

3/term

play

3/probability

0.066

4/term

mornings

4/probability

0.029

Pada topik keduabelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata weather disusul dengan music, news, play, dan mornings dengan probabiltas masing-masing adalah 0.094 untuk kata weather, 0.085 untuk kata music, 0.082 untuk kata news, 0.066 untuk kata play, dan 0.029 untuk kata mornings. Namun topik 12 belum dapat menghasilkan aspek dari produk amazon.

144 6.2.2.13.

Hasil Kata Kunci Topik 13

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 13.

probabilitas

Tabel 33 Hasil Kata Kunci untuk Topik 13 0/term

lights

0/probability

0.11

1/term

control

1/probability

0.089

2/term

home

2/probability

0.064

3/term

turn

3/probability

0.049

4/term

hue

4/probability

0.034

Pada topik ketigabelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata lights disusul dengan control, home, turn, dan hue dengan probabiltas masing-masing adalah 0.11 untuk kata lights, 0.089 untuk kata control, 0.064 untuk kata home, 0.049 untuk kata turn, dan 0.034 untuk kata hue. Namun topik 13 belum dapat menghasilkan aspek dari produk amazon.

145 6.2.2.14.

Hasil Kata Kunci Topik 14

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 14.

probabilitas

Tabel 34 Hasil Kata Kunci untuk Topik 14 0/term

devices

0/probability

0.084

1/term

home

1/probability

0.054

2/term

echo

2/probability

0.044

3/term

time

3/probability

0.041

4/term

fun

4/probability

0.038

Pada topik keempatbelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata devices disusul dengan home, echo, time, dan fun dengan probabiltas masing-masing adalah 0.084 untuk kata devices, 0.054 untuk kata home, 0.044 untuk kata echo, 0.041 untuk kata time, dan 0.038 untuk kata fun. Hal ini menunjukan bahwa product Amazon Echo sangat menyenangkan untuk digunakan..

146 6.2.2.15.

Hasil Kata Kunci Topik 15

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 15.

probabilitas

Tabel 35 Hasil Kata Kunci untuk Topik 15 0/term

devices

0/probability

0.053

1/term

amazing

1/probability

0.049

2/term

phone

2/probability

0.039

3/term

cool

3/probability

0.035

4/term

technology

4/probability

0.026

Pada topik kelimabelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata devices disusul dengan amazing, phone, cool, dan techonologydengan probabiltas masing-masing adalah 0.053 untuk kata devices, 0.054 untuk kata home, 0.044 untuk kata echo, 0.041 untuk kata time, dan 0.038 untuk kata fun. Hal ini menunjukan bahwa product Amazon Echo sangat menyenangkan untuk digunakan..

147 6.2.2.16.

Hasil Kata Kunci Topik 16

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 16.

probabilitas

Tabel 36 Hasil Kata Kunci untuk Topik 16 0/term

music

0/probability

0.17

1/term

play

1/probability

0.11

2/term

prime

2/probability

0.071

3/term

amazon

3/probability

0.046

4/term

listened

4/probability

0.045

Pada topik keenambelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata music disusul dengan play, prime, amazon, dan listened dengan probabiltas masing-masing adalah 0.17 untuk kata music, 0.11 untuk kata play, 0.071 untuk kata prime, 0.046 untuk kata amazon, dan 0.045 untuk kata fun. Namun topik 16 belum dapat menghasilkan aspek dari produk amazon.

148 6.2.2.17.

Hasil Kata Kunci Topik 17

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 17.

probabilitas

Tabel 37 Hasil Kata Kunci untuk Topik 17 0/term

music

0/probability

0.11

1/term

set

1/probability

0.075

2/term

timers

2/probability

0.069

3/term

alarm

3/probability

0.058

4/term

play

4/probability

0.051

Pada topik keenambelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata music disusul dengan set, timers, alarm, dan play dengan probabiltas masingmasing adalah 0.11 untuk kata music, 0.075 untuk kata set, 0.069 untuk kata timers, 0.058 untuk kata alarm, dan 0.058 untuk kata play. Namun topik 17 belum dapat menghasilkan aspek dari produk amazon.

149 6.2.2.18.

Hasil Kata Kunci Topik 18

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 18.

probabilitas

Tabel 38 Hasil Kata Kunci untuk Topik 18 0/term

echo

0/probability

0.079

1/term

amazon

1/probability

0.062

2/term

purchase

2/probability

0.06

3/term

worth

3/probability

0.032

4/term

price

4/probability

0.032

Pada topik ketujuhbelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata echo disusul dengan amazon, purchase, worth, dan pricedengan probabiltas masing-masing adalah 0.079 untuk kata echo, 0.062 untuk kata amazon, 0.06 untuk kata purchase, 0.032 untuk kata worth, dan 0.032 untuk kata price. Hal ini menunjukan bahwa product amazon echo layak dibeli dan sepadan dengan harga yang diperlukan untuk membeli amazon echo.

150 6.2.2.19.

Hasil Kata Kunci Topik 19

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 19.

probabilitas

Tabel 39 Hasil Kata Kunci untuk Topik 19 0/term

alexa

0/probability

0.087

1/term

room

1/probability

0.062

2/term

house

2/probability

0.055

3/term

living

3/probability

0.05

4/term

turn

4/probability

0.034

Pada topik ketujuhbelas dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata alexa disusul dengan room, house, living, dan turn dengan probabiltas masing-masing adalah 0.087 untuk kata alexa, 0.062 untuk kata room, 0.055 untuk kata house, 0.05 untuk kata living, dan 0.034 untuk kata turn. Namun topik 19 belum dapat menghasilkan aspek dari produk amazon.

151 6.2.2.20.

Hasil Kata Kunci Topik 20

Berikut adalah hasil kata kunci dengan kemunculan kata pada dokumen untuk topik 20.

probabilitas

Tabel 40 Hasil Kata Kunci untuk Topik 20 0/term

great

0/probability

0.19

1/term

product

1/probability

0.11

2/term

works

2/probability

0.098

3/term

fun

3/probability

0.062

4/term

awesome

4/probability

0.062

Pada topik keduapuluh dapat dilihat bahwa kata kunci yang paling sering muncul dalam dokumen adalah kata great disusul dengan product, works, fun, dan awesome dengan probabiltas masing-masing adalah 0.19 untuk kata great, 0.11 untuk kata product, 0.098 untuk kata works, 0.062 untuk kata fun, dan 0.062 untuk kata awesome. Hal ini menunjukan bahwa product amazon echo merupakan produk yang hebat dan menyenangkan untuk dipakai.

152 6.2.3. 6.2.4.

Hasil Ekstraksi Fitur Produk Hasil Orientasi Opini Fitur Produk

153

6.3. Hasil Uji Usabilitas Uji usabilitas digunakan untuk mengetahui apakah fitur yang diusulkan akan membantu pelanggan dalam mengambil keputusan pembelian pelanggan berdasarkan ulasan produk yang ada. Uji usabilitas dilakukan pada tanggal 5 Januari 2017 sebanyak 5 responden dengan kondisi sistem telah jadi dan matang (NodeJS + MySQL). Beberapa evaluasi yang diperlukan dijabarkan pada tabel beriku yang akan dijadikan backlog untuk iterasi berikutnya. Tabel 41 Backlog Aplikasi

ID

Backlog

B001

Memperbaiki sistem grafik agar dapat menampilkan legenda, judul grafik, dan penjelasan grafik

B001

Memperbaiki sistem grafik agar menamai topik berdasarkan fitur. Contoh: kata kunci fitur yang ditampilkan diangkat menjadi topik yang dibicarakan

B001

Memperbaiki sistem LDA agar menampilkan topik beserta kata kunci yang lebih sesuai

Hasil dari System Usability Scale yang diberikan menghaslkan kemudahan dalam penggunaan sebesar 60% sebagaimana yang terlihat pada tabel berikut. Hasil tersebut dijabarkan dalam ratarata pengguna setuju dengan pernyataan yang diajukan pada tabel berikutnya.

154

Bagan 66 Hasil Rekapitulasi SUS Pernyataan Pengguna berpikir bahwa saya ingin menggunakan sistem ini sesering mungkin Pengguna berpikir sistem ini sangat rumit dan tidak perlu Pengguna berpikir sistem ini mudah digunakan Penggguna berpikir saya akan membutuhkan bantuan seseorang untuk dapat menggunakan sistem ini Pengguna menemukan seluruh fungsi yang telah terintegrasi dengan sangat baik Pengguna berpikir terlalu banyak inkonsistensi dari sistem ini Pengguna berpikir banyak orang yang akan dapat belajar menggunakan sistem ini dengan cepat Pengguna berpikir bahwa sistem ini sangat sulit untuk digunakan Pengguna merasa sangat percaya diri dalam menggunakan sistem ini Pengguna perlu berlajar banyak hal sebelum dapat menggunakan sistem ini

Justifikasi Setuju

Tidak Setuju

Setuju Tidak Setuju

Setuju

Tidak Setuju

Setuju

Tidak Setuju

Setuju

Tidak Setuju

BAB VII KESIMPULAN DAN SARAN Pada bab ini akan dijelaskan mengenai kesimpulan dari hasil penelitian dan saran untuk pengembangan penelitian di kemudian hari.

7.1. Kesimpulan Berdasarkan dengan pengerjaan tugas akhir dengan judul ”Rancang Bangun Ekstraksi Topik Fitur Produk Dari Ulasan Pengguna Online Dengan Latent Dirichlet Allocation” yang telah dilakukan dapat disimpulkan beberapa hal sebagai berikut: 1. Dari tahapan analisis, didapatkan metadata ulasan yang kemudian diturunkan menjadi rancangan basis data ulasan dan digunakan sebagai acuan untuk melakukan proses pengambilan data. 2. Dari hasil pengujian LDA, didapatkan bahwa dari 20 topik yang dihasilkan 8 topik memberikan aspek dan sentimen terhadap produk amazon echo. Indikasi produk tersebut memiliki sentimen yang positif antara lain: a. Product amazon echo memiliki speaker yang bagus. b. Voice recognition dari amazon echo dapat memahami permintaan pengguna dengan tepat. c. Produk amazon echo sangat personal dan layak untuk dibeli.

155

156 d. Aplikasi yang merupakan produk samping amazon echo mudah untuk digunakan bersamaan dengan amazon echo. e. Product amazon echo sangat menyenangkan untuk digunakan. f. Aplikasi amazon echo merupakan produk yang canggih dan keren dimata pengguna. g. Produk amazon echo layak untuk dibeli dan sepadan dengan biaya yang dikeluarkan pengguna. h. Produk amazon echo merupakan produk yang hebat dan menyenangkan untuk dipakai. i. Hasil System Usability Scale yang dilakukan terhadap 5 orang, didapatkan bahwa sistem telah mencapai 60% telah memenuhi kemudahan dalam penggunaan aplikasi.

7.2. Saran Saran penulis untuk penelitian dan pengembangan selanjutnya adalah sebagai berikut: 1. Pada milestone berikutnya, target yang perlu diselesaikan adlah product backlog hasil pengujian usabilitas 2. Menguji parameter LDA untuk beberapa skenario, dimana nilai yang diujikan adalah jumlah topik dan jumlah kata yang muncul dalam topik 3. Membuat semacam fitur autocomplete ketika membuat ulasan berdasarkan topik yang paling sering dibicarakan pelanggan.

DAFTAR PUSTAKA [1] R. Buettner, “Predicting User Behavior in Electronic Markets Based on Personality-Mining in Large Online Social Network: A Personality Based Product Recommender Framework,” Munich, 2016. [2] ATKearney, The 2015 Global Retail E-commerce Index, ATKearney, 2015. [3] International Telecommunications Union, “Global ICT Developments,” 2016. [Online]. Available: http://www.itu.int/en/ITUD/Statistics/Pages/stat/default.aspx. [Diakses 6 October 2016]. [4] Akamai Technologies, “Performance Matters: 9 Key Consumer Insights,” [Online]. Available: https://www.akamai.com/us/en/multimedia/documents/c ontent/akamai-performance-matters-key-consumerinsights-ebook.pdf. [Diakses 6 October 2016]. [5] Z. Huang dan M. Benyoucef, “From e-commerce to social commerce; A close look at design features,” Electronic Commerce Research and Applications 12, pp. 246-259, 2015. [6] J. Lee, D. Park dan I. Han, “The effect of negative online consumer reviews on product attitude: An information processing view,” Electronic Commerce Research and Application, pp. 341-352, 2008. [7] C. Kim, R. D. Glliers dan N. Shun, “Factors influencing Internet Shopping Value and Customer Repurchase 157

158 Intention,” Electronic Commerce Research and Applications, pp. 374-387, 2012. [8] T. Klingberg, “Limitaions in information processing in the human brain: neuroimaging of dual task performance and working memory tasks,” Brain Research, pp. 95102, 2000. [9] M. Hu dan B. Liu, “Mining Opinion Features in Customer Reviews,” Artificial Intelligence, pp. 755-760, 2004. [10 A. T. a. O. R. Zaian, “Mining Contentious Documents ] using an Unsupervised Topci Model Based Approach,” Knowledge and Information Systems, pp. 537-560, 2015. [11 D. M. Blei, A. Y. Ng dan M. .. Jordan, “Latent Dirichlet ] Allocation,” Journal of Machine Learning Research 3, pp. 993-1022, 2003. [12 Y. Lu dan M. Q. a. C.Zhai, “Investigating task ] performance of probabilistic topic models: an emperical study of PLSA and LDA,” Information Retreival, pp. 178-203, 2011. [13 Y. Jo dan A. Oh, “Aspect and Sentiment Unification ] Model,” dalam Proceedings of the fourth ACM international conference on Web search and data mining, 2011. [14 X. Zheng et.al, “Incorporating appraisal expression ] patterns into topic modeling for aspect and sentiment word idenfitication,” Knowledge Based Systems, pp. 2847, 2014.

159 [15 D. Whiteley, E-commerce: Strategy, Technologies and ] Applications, McGraw-Hill, 2000. [16 M. Khosrow-Pour, Consumer Behavior, Organizational ] Development, and Electronic Commerce: Emerging Issues for Advancing Modern Socioeconomies, Heshey: IGI Publishing, 2008. [17 M. a. C. Q. Schniederjans, E-Commerce operations ] management, Singapore: World Scientific, 2002. [18 Data Bites, “How many products does Amazon sell,” ] Data Bites Production, 1 December 2016. [Online]. Available: https://www.scrapehero.com/how-manyproducts-does-amazon-sell-august-2016/. [Diakses 15 December 2016]. [19 R. T. B. R. I. a. B. J. Wigand, “Web 2.0 and beyond: ] implications for electronic commerce,” dalam Proceedings of the 10th International Conference on Electronic Commerce, New York, 2008. [20 T. O'Reilly, “What Is Web 2.0: Design Patterns and ] Business Models for the Next Generation of Software,” O'Reilly, 9 September 2005. [Online]. Available: http://www.oreilly.com/pub/a/web2/archive/what-isweb-20.html. [Diakses 31 December 2016]. [21 W3School, “RegExp Reference,” W3School, [Online]. ] Available: http://www.w3schools.com/jsref/jsref_obj_regexp.asp. [Diakses 31 December 2016]. [22 Mozilla Firefox, “XMLHttpRequest,” Mozilla Firefox ] Production, [Online]. Available:

160 https://developer.mozilla.org/enUS/docs/Web/API/XMLHttpRequest. [Diakses 31 December 2016]. [23 Jaunt, “Jaunt Java Web Scraping & JSON Querying,” ] Jaunt, [Online]. Available: http://jaunt-api.com/. [Diakses 1 January 2016]. [24 World Wide Web Consortium, “What is the Document ] Object Model?,” World Wide Web Consortium Production, 13 November 2000. [Online]. Available: https://www.w3.org/TR/DOM-Level-2Core/introduction.html. [Diakses 1 January 2016]. [25 JSoup, “Use DOM methods to navigate a document,” ] JSoup Production, [Online]. Available: https://jsoup.org/cookbook/extracting-data/domnavigation. [Diakses 1 January 2016]. [26 T. Slimani, “Semantic Annotation: The Mainstay of ] Semantic Web,” 2004. [Online]. Available: https://arxiv.org/ftp/arxiv/papers/1312/1312.4794.pdf. [Diakses 1 January 2016]. [27 Z. Zhou dan M. Mashuq, “Web Content Extraction ] Through Machine Learning,” 2013. [Online]. Available: http://cs229.stanford.edu/proj2013/ZhouMashuqWebContentExtractionThroughMachineLearning.pdf. [Diakses 1 January 2016]. [28 S. Shiliang, L. Chen dan C. Junyu, “A Review of Natural ] Language Processing Techniques for Opinion Mining Systems,” Information Fusion, vol. 25, p. October, 2016.

161 [29 R. Miktov, The Oxford Handbook of Computational ] Linguistics, Oxford: OUP Oxford, 2003. [30 C. D. M. S. J. B. J. F. S. J. B. a. D. M. Manning, “The ] Stanford CoreNLP Natural Language Processing Toolkit,” dalam In Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics: System Demonstrations, 2014. [31 A. P. J. Y. W. J. C. C. D. M. A. Y. N. a. C. P. Richard ] Socher, “Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank,” dalam Proceedings of the conference on empirical methods in natural language processing (EMNLP), 2013. [32 Oxford Dictionaries, “Word classes (or parts of speech),” ] Oxford Dictionaries, [Online]. Available: https://en.oxforddictionaries.com/grammar/word-classesor-parts-of-speech. [Diakses 1 January 2016]. [33 D. S. M. &. C.-C. M. Rosenberg, Agile Development ] with ICONIX Process, Apress, 2005. [34 K. Liu, L. Xu dan J. Zhao, “Co-Extracting Opinion ] Targets and Opinion Words from Online Reviews Based on the Word Alignment Model,” IEEE Transactions on Knowledge and Data Engineering, pp. 636-650, 2015. [35 W. H. D. a. E. R. McLean, “Measuring e-Commerce ] Success: Applying the,” International Journal of Electronic Commerce, vol. 9, no. 1, pp. 31-47, 2004.

162 Halaman ini sengaja dikosongkan

BIODATA PENULIS Penulis merupakan kelahiran Surabaya, 8 April 1995. Merupakan anak pertama dari tiga bersaudara. Pendidikan formal ditempuh dari SD Kristen Gloria II Surabaya lulus pada tahun 2007, SMP Kristen Gloria I Surabaya lulus pada tahun 2010, dan SMA Kristen Gloria I Surabaya lulus pada tahun 2013. Ketertarikan penulis akan dunia komputer menghantarkannya ke pendidikan tinggi di Jurusan Sistem Informasi Institut Teknologi Sepuluh Nopember (ITS) Surabaya pada tahun 2013. Selama menjadi mahasiswa, penulis aktif dalam kegiatan kemahasiswaan seperti bergabung dalam Google Student Groups pada tahun 2014. Selain itu, penulis pernah terlibat dalam proyek Monvis Musrenbang pada tahun 2015 yang merupakan penelitian Jurusan Sistem Informasi untuk mengembangkan sistem informasi geografis yang dapat melacak progress usulan masyarakat yang dijalankan pemerintah. Penulis juga pernah terlibat dalam pengembangan start-up BantuTemu.in untuk mengembangkan sistem pelaporan barang hilang pada tahun 2015. Terakhir penulis menjalani kegiatan magang di PT. Abyor International sebagai programmer ABAP, mengembangkan fungsionalitas sistem SAP sesuai dengan spesifikasi yang diberikan. Ketertarikan penulis akan dunia pemodelan topik muncul ketika mengambil mata kuliah integrasi aplikasi korporasi dan e-bisnis yang mempelajari karakteristik data pada e-commerce serta integrasi sistem. Pengalaman itu juga yang menjadi inspirasi penulis dalam penelitian pemodelan topik. Penulis dapat dihubungi melalui email [email protected]. 163

164

LAMPIRAN 1 USABILITY TEST PLAN DASHBOARD Author: Natanael Yabes Wirawan

Contact: [email protected]

Product Under Test: Website AmazoLDA

Participant - 5 orang - Pernah membeli barang di situs online - Terdiri dari laki dan perempuan

Business Case Mendaptakan masukkan untuk pengembangan berikutnya Procedure Selamat datang /consent form 0-5 menit

TestObjectives - Apakah user paham dengan tujuan dibuatnya aplikasi - Apakah fitur ekstraksi fitur dan orientasi opini membantu user dalam mengambil keputusan pelanggan - Apakah pengguna merasa nyaman menggunakan aplikasi Pre test interview 5-10 menit

Equipment - Laptop dan aplikasi - Form responden

Pengerjaan Test task 3 menit

Post test questionnaire 10 menit

Test Tasks - Buka halaman utama - Mencari barang dengan kata kunci “Amazon echo” - Melihat detail produk - Keluar dari aplikasi

Post test interview 5 menit

Date: 06 Januari 2017 PIC Natanael Yabes (PM, Moderator)

Location & Dates Jumat 6 Januari 2017

Pemberian insentif 3 menit

165 LAMPIRAN 2 USABILITY TEST SCENARIO Web browser harus membuka halaman Google atau halaman

Hi, ___________. nama saya ___________, dan saya akan menemani Anda melalui sesi hari ini. Sebelum kita mulai, saya punya beberapa informasi untuk Anda, dan saya akan membacanya untuk memastikan bahwa saya menyampaikan semuanya. Anda mungkin sudah memiliki pemikiran yang baik tentang mengapa kami meminta Anda di sini, tapi biarkan saya menjelaskan kembali sebentar. Kami meminta orang untuk mencoba menggunakan sebuah situs Web yang kami kerjakan sehingga kita bisa melihat apakah web tersebut bekerja sesuai dengan tujuannya. sesi akan memakan waktu kurang lebih sekitar satu jam. Hal pertama yang saya ingin perjelas adalah bahwa kami sedang menguji situs, bukan Anda. Anda tidak akan dapat melakukan kesalahan di sini. Bahkan, ini mungkin adalah salah satu hari ini di mana Anda tidak perlu khawatir tentang membuat kesalahan. Ketika Anda menggunakan situs ini, saya akan meminta Anda sebanyak mungkin untuk mencoba untuk berpikir keras: untuk mengatakan apa yang Anda cari di website, apa yang Anda coba lakukan, dan apa yang Anda pikirkan. Ini akan menjadi bantuan besar bagi kami. Juga, jangan khawatir bahwa Anda akan menyakiti perasaan kami. Kami melakukan ini untuk meningkatkan Web kami, sehingga kami perlu mendengar reaksi jujur Anda. Jika Anda memiliki pertanyaan selama menjalankan web, tanyakan saja. Saya mungkin tidak dapat menjawab seluruhnya, karena kami tertarik pada bagaimana orang-orang lakukan ketika mereka tidak memiliki seseorang yang duduk di samping mereka untuk membantu.

166 Tapi jika Anda masih memiliki pertanyaan ketika sudah selesai saya akan mencoba untuk menjawab pertanyaan yang ada. Dan jika Anda perlu mengambil istirahat pada setiap titik, Anda bisa memberitahukan saya. Anda mungkin telah memperhatikan kamera. Dengan izin Anda, kami akan merekam apa yang terjadi di layar dan percakapan yang akan kita lakukan. Rekaman hanya akan digunakan untuk membantu kami mencari cara untuk meningkatkan website, dan itu tidak akan dilihat oleh siapapun kecuali orang yang bekerja pada proyek ini. Dan itu membantu saya, karena saya tidak perlu mengambil banyak catatan. Dan Jika Anda mau, saya akan meminta Anda untuk menandatangani formulir izin sederhana bagi kita. Itu hanya mengatakan bahwa kami memiliki izin untuk merekam Anda, dan bahwa rekaman hanya akan dilihat oleh orang-orang yang bekerja pada proyek ini. Beri mereka formulir izin perekaman dan pena Sementara mereka menandatanganinya, MULAI RECORDER SCREEN

Apakah Anda memiliki pertanyaan sejauh ini? BAIK. Sebelum kita memulai untuk melihat website, saya ingin menanyakan Anda beberapa pertanyaan singkat. Pertama, apa pekerjaan Anda? Apa yang Anda lakukan sepanjang hari? Sekarang, kira-kira berapa jam seminggu sekali - hanya estimasi kasarnya - Anda menghabiskan waktu menggunakan Internet, termasuk Web browsing dan email, di tempat kerja dan di rumah? Jenis situs apa yang Anda cari di saat Anda menelusuri Web? Apakah Anda memiliki situs web favorit?

167 OK bagus. Kami sudah selesai dengan pertanyaan, dan kita bisa mulai melihat website. Buka Halaman Website http://localhost:3000

Sekarang saya akan meminta Anda untuk mencoba melakukan beberapa tugas-tugas tertentu. Saya akan membaca setiap satu secara keras dan memberikan salinan cetak dari tugas tersebut. Saya juga akan meminta Anda untuk melakukan tugas-tugas ini tanpa menggunakan fitur Search atau bantuan lainnya. Kami akan mempelajari lebih banyak tentang seberapa baik situs bekerja dengan cara seperti itu. Berikanlah peserta skenario pertama, dan baca dengan keras. Biarkan pengguna untuk melakukannya sampai Anda tidak merasa itu menghasilkan nilai atau pengguna menjadi sangat frustrasi. Ulangi untuk setiap tugas atau sampai waktu habis.

Terima kasih, Anda telah sangat membantu. Apakah Anda memiliki pertanyaan untuk saya, sekarang kita sudah selesai? Berikan insentif mereka, atau mengingatkan mereka akan dikirim kepada mereka. Hentikan perekam layar dan simpan file. Terima kasih mereka dan mengantar mereka keluar.

168

LAMPIRAN 3 CONSENT FORM Usability Testing Pendahuluan Testing ini dilakukan untuk melakukan penilaian terhadap kegunaan (Usabilitas) dari aplikasi yang akan dibuat oleh peneliti. Aplikasi yang akan dibuat diberi nama AmazoLDA, aplikasi sistem ekstraksi fitur dan orientasi opini terhadap ulasan produk amazon.com menggunakan Appraisal Expression Pattern berbasis Latent Dirichlet Allocation. Pengembangan aplikasi AmazoLDA memiliki tujuan sebagai berikut: 1. Untuk mengetahui fitur unggulan berdasarkan ulasan produk oleh konsumen produk terkait. 2. Untuk mengetahui seberapa baik atau buruk suatu sentimen terhadap produk yang diulas oleh konsumen produk terkait. 3. Untuk membantu konsumen dalam mengambil keputusan untuk membeli atau tidak membeli suatu produk berdasarkan ulasan terhadap produk yang telah diaggregasi. Usability testing ini akan memakan waktu sekitar 30 menit dan media yang digunakan adalah paper prototype dari harapan hasil akhir dari aplikasi yang akan dibuat. seluruh fitur dan fungsi dari aplikasi dibuat berdasarkan literatur dan penelitian sebelumnya yang terkait dengan penelitian ini. Terdapat 3 Bagian pertanyaan yang harus dijawab. Pada bagian pertama menggunakan tipe soal likert dengan skala 1 –

169 5 yang bertujuan mengukur usabilitas dari aplikasi. Pada bagian kedua menggunakan tipe soal bebas, untuk mengambil evaluasi dan saran untuk pengembangan aplikasi. Terima kasih atas partisipasi anda. ______________________________________________ FORM PERSETUJUAN Saya mengerti bahwa partisipasi dalam studi kegunaan ini bersifat sukarela. Silakan isi form berikut untuk menunjukkan bahwa Anda telah membaca dan Anda memahami informasi pada formulir ini dan bahwa setiap pertanyaan yang mungkin Anda miliki tentang sesi telah dijawab.

Tanggal

: _________________________________

Nama Lengkap : _________________________________ Jenis Kelamin : _________________________________ Jurusan/Angkatan : _________________________________ Tanda tangan

: _________________________________

170

LAMPIRAN 4 SYSTEM USABILITY SCALE FORM Instruksi : Isikan setiap jawaban pernyataan dengan memberikan tanda checklist (√) atau cross (x) pada salah satu kolom 1 – 5 yang menurut Anda paling sesuai dengan pendapat Anda. 1 = Sangat tidak setuju 2 = Tidak Setuju 3 = Netral 4 = Setuju 5 = Sangat setuju Peryataan Saya berpikir bahwa saya ingin menggunakan sistem ini sesering mungkin Saya berpikir sistem ini sangat rumit dan tidak perlu Saya berpikir sistem ini mudah digunakan Saya berpikir saya akan membutuhkan bantuan seseorang untuk dapat menggunakan sistem ini Saya menemukan seluruh fungsi yang telah terintegrasi dengan sangat baik Saya berpikir terlalu banyak inkonsistensi dari sistem ini Saya berpikir banyak orang yang akan dapat belajar menggunakan sistem ini dengan cepat Saya berpikir bahwa sistem ini sangat sulit untuk digunakan Saya merasa sangat percaya diri dalam menggunakan sistem ini Saya perlu berlajar banyak hal sebelum dapat menggunakan sistem ini

1

2

3

4

5

171 Bagian II Evaluasi 1.

Adakah fungsi dari aplikasi yang anda rasa tidak perlu ada? sebutkan ________________________________________________________ ________________________________________________________

2.

Adakah fungsi dari sistem yang menurut Anda penting namun belum terdapat pada aplikasi? Sebutkan ________________________________________________________ ________________________________________________________

3.

Adakah fungsi dari sistem yang menurut Anda penting namun belum terdapat pada aplikasi? Sebutkan ________________________________________________________ ________________________________________________________